Благодаря развитию современного общества, люди со временем начали ставить перед собой такую задачу, как прогнозирование. Это такое специальное научное исследование конкретных перспектив дальнейшего развития какого-либо процесса. Прогноз данных может применяться в медицине, поиске полезных ископаемых, оценке кредитоспособности, а также на финансовом рынке.
В настоящее время почти каждый нуждается в автомобиле. Для большинства граждан предпочтительнее купить подержанный автомобиль. Какую сумму правильно будет заплатить за этот автомобиль? Чтобы правильно дать ответ, необходимо учесть определенные параметры: год выпуска, объем двигателя, мощность, пробег. Используя регрессионную модель и нейронную сеть в программе SPSS, можем спрогнозировать стоимость автомобиля на основе данных параметров.
Ряд ученых изучает проблемы и методы построения различных регрессионных моделей и нейронных сетей. Р.И.Баженов и др. применяли регрессионные модели и нейронные сети на примере рынка подержанных автомобилей [1-2, 8]. О.О.Решетова и М.Е.Семенов прогнозировали временные ряды регрессионными моделями с настраиваемыми коэффициентами [3]. Регрессионным моделированием в экономике занимались К.А.Казакова, И.П.Мединцева, Р.М.Нижегородцев и Н.П.Горидько [4-7]. Н.С.Костин рассмотрел место модульных нейронных сетей в классификации искусственных нейронных сетей [9]. В.Г.Манжула и Д.С.Федяшов исследовали нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных [10]. Искусственные нейронные сети программировала М.Ахметова [11]. А.А.Кокшарова и Д.Б.Шумкова прогнозировали финансовые рынки динамическими нейронными сетями [12]. С.А.Филист создал искусственную нейронную сеть на основе радиальных базисных функций для классификации кардиоциклов электрокардиосигналов [13]. Использование априорной информации о месторасположении объектов лица для оценки его биометрических признаков нейронной сетью показал А.Д.Варламов [14]. Рекуррентную нейронную сеть с двумя сигнальными системами представил В.Ю.Осипов [15]. А.А.Арзамасцев и В.П.Рыков рассмотрели модель искусственной нейронной сети с реализацией модульного принципа обучения [16]. В.П.Мешалкин и др. проведи исследование искусственных нейронных сетей, используемых для моделирования свойств создаваемых композиционных наноматериалов [17]. Изучением методов регрессионного анализа и нейронных сетей занимаются также зарубежные ученые [18-21].
Запустим программу SPSS и загрузим в нее excel-файл со 100 объявлениями о продаже автомобилей Toyota Prius (рис. 1). На рис.1 также видны обозначения переменных: год – God, объем двигателя – V, мощность – P, пробег – S, стоимость – price.
Рисунок 1. Рабочее окно SPSS
Начнем анализ данных с регрессионного. Для этого перейдем на вкладку «Анализ» и выберем требуемый метод. В данном случае это метод наименьших квадратов (рис. 2).
Рисунок 2. Выбор регрессионного анализа МНК
Теперь распределим переменные по группам. «Стоимость» является зависимой переменной, так как именно ее и прогнозируем. Остальные переменные, следовательно, относятся к другим группам (рис. 3).
Рисунок 3. Распределение переменных в окне настроек МНК
Также внесем дополнительные параметры для целостности анализа (рис. 4).
Рисунок 4. Параметры МНК
В результате получаем вывод о регрессионной модели. По значению R-квадрата можно судить о доле вариации результативного признака с учетом воздействия изучаемых факторов. В данной модели 87% вариации переменной price зависит от влияния включенных факторов, 13% обусловлены другими факторами. Если коэффициент выше 80%, то модель считается достаточно хорошей (рис. 5).
Рисунок 5. Вывод двухэтапного МНК
Теперь можно посмотреть прогноз по стоимости автомобилей. Также выводится абсолютная разница между входной стоимостью и спрогнозированной (рис. 6).
Рисунок 6. Предугаданные значения стоимости и высчитанные значения ошибок
Далее анализируем данные интеллектуальным методом нейронных сетей. Для этого перейдем по вкладке «Анализ» и выберем нейронные сети с многослойным перцептроном (рис. 7).
Рисунок 7. Выбор нейронной сети с многослойным перцептроном
Распределим переменные нужным образом (рис. 8).
Рисунок 8. Настройка многослойного перцептрона на вкладке Переменные
Настройки архитектуры перцептрона выберем, как показано на рисунке ниже (рис. 9).
Рисунок 9. Настройка архитектуры перцептрона
Далее ставим флажки и галочки, как показано ниже (рис 10-11). Так как нейронная сеть обучается на основании настроек, их можно сделать и другими при желании.
Рисунок 10. Настройка параметров сохранения
Рисунок 11. Настройка параметров обучения
Получаем вывод о нейронной сети. Ошибки суммы квадратов очень малы, что позволяет считать нейронную сеть хорошо обученной (рис. 12).
Рисунок 12. Вывод нейронной сети с многослойным перцептроном
Теперь можем посмотреть спрогнозированные цены автомобилей на основе входных данных (рис 13).
Рисунок 13. Предугаданные значения цены
Далее сравним методы регрессионного анализа и нейроных сетей. В таблицу внесем спрогнозированные стоимости автомобилей по одинаковым параметрам в столбцы «Регрессионный анализ» и «Нейронная сеть». Покажем разницу стоимости автомобилей (рис. 14).
Рисунок 14. Сравнение спрогнозированных данных
По данным таблицы видно, что оба метода отлично подходят для прогнозирования стоимости на автомобиль. Полученные регрессионную модель и нейронную сеть можно использовать для покупки и продажи. Проведенное исследование может быть использовано при обучении методам интеллектуального анализа студентов различных направлений.
Библиографический список
- Пивенко К.А., Баженов Р.И. Построение регрессионной модели в среде Gretl на примере рынка подержанных автомобилей г. Биробиджана и г. Хабаровска // Экономика и менеджмент инновационных технологий. 2015. № 4-1 (43). С. 72-80.
- Козич В.Г., Бондаренко В.В., Баженов Р.И. Применение регрессионного анализа и нейронных сетей для построения моделей рынка подержанных автомобилей Toyota Prius // Постулат. 2015. № 1 (1). С. 4.
- Решетова О.О., Семенов М.Е Прогнозирование временных рядов регрессионными моделями с настраиваемыми коэффициентами // Сборник студенческих научных работ факультета компьютерных наук ВГУ. 2015.
- Нижегородцев Р. М., Горидько Н. П. Регрессионное моделирование динамики реальной стоимости финансовых активов (на примере Украины) //Финансовая аналитика: проблемы и решения: Научно-практический и информационно-аналитический сборник.–М.: Издательский дом «Финансы и кредит. 2012. №. 14. С. 33-40.
- Мединцева И.П. Регрессионное моделирование экономических процессов в MS EXCEL // Альманах современной науки и образования. 2010. №2-1. С.162-165.
- Казакова К.А. Многомерное регрессионное моделирование и прогноз просроченной задолженности по кредитам // Вестник Волгоградского Государственного Университета. Серия 3: Экономика. Экология. 2014. №1. С.87-98.
- Горидько Н.П., Нижегородцев Р.М. Регрессионное моделирование и прогнозирование экономического роста на примере Архангельской области // Экономика региона. 2012. №4 (32). С. 122-130.
- Ступников А.В., Баженов Р.И. Прогнозирование цены легковых автомобилей с помощью нейронных сетей в среде Neural Network Wizard // Современная техника и технологии. 2015. № 7 (47). С. 3-10.
- Костин Н.С. Место модульных нейронных сетей в классификации искусственных нейронных сетей // Интеллектуальный потенциал XXI века: ступени познания. 2013. №19. С.91-95.
- Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. №14. С.108-114.
- Ахметова М. Использование стилей программирования для лабораторных работ по искусственным нейронным сетям // Перспективы, организационные формы и эффективность развития сотрудничества российских и зарубежных вузов. Алькор Паблишерс: Технологический университет, 2015.
- Кокшарова А.А., Шумкова Д.Б. Прогнозирование финансовых рынков динамическими нейронными сетями // Междисциплинарные исследования. Пермь: Пермский государственный национальный исследовательский университет, 2013.
- Филист С.А. Искусственная нейронная сеть на основе радиальных базисных функций для классификации кардиоциклов электрокардиосигналов // Известия ЮФУ. Технические науки. 2010. №8 (109). С.80-85.
- Варламов А.Д. Использование априорной информации о месторасположении объектов лица для оценки его биометрических признаков нейронной сетью // Нейрокомпьютеры: разработка, применение. 2015. № 3. С. 34-38.
- Осипов В.Ю. Рекуррентная нейронная сеть с двумя сигнальными системами // Информационно-управляющие системы. 2013. № 4 (65). С. 8-15.
- Арзамасцев А.А., Рыков В.П. Модель искусственной нейронной сети (ИНС) с реализацией модульного принципа обучения // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2012. Т. 17. № 4. С. 1219-1224.
- Мешалкин В.П., Дли М.И., Стоянова О.В. Исследование искусственных нейронных сетей, используемых для моделирования свойств создаваемых композиционных наноматериалов // Известия высших учебных заведений. Серия: Химия и химическая технология. 2011. Т. 54. № 5. С. 124-127.
- Gibbs Y.K., Janine C., Brown I.L. Using regression analysis to establish the relationship between home environment and reading achievement: A case ofZimbabwe// International Education Journal. 2006. №7 (5).
- Fechete F., Nedelcu A. Analysis of the economic performance of a organization using multiple regression // International conference of Scientific paper Afases. 2014.
- Artificial Neural Networks for Beginners // DATAJOBS URL: https://datajobs.com/data-science-repo/Neural-Net-Carlos-Gershenson.pdf.
- How Old Robot and Neural Networks // galvanize URL: http://www.galvanize.com/blog/data-science-101-microsoft-how-old-robot-and-neural-networks/#.VkdUE3bhDIV.