ml4_ibragimova

ГУАП

КАФЕДРА № 41

ОТЧЕТ ЗАЩИЩЕН С ОЦЕНКОЙ

ПРЕПОДАВАТЕЛЬ

Ассистент				Боженко В. В.
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №4

ПРОГНОЗИРОВАНИЕ ВРЕМЕННОГО РЯДА

по курсу: МАШИННОЕ ОБУЧЕНИЕ

РАБОТУ ВЫПОЛНИЛ

СТУДЕНТ ГР. №	4018k				Р.М. Ибрагимова
			подпись, дата		инициалы, фамилия

Санкт-Петербург 2023

Цель работы:

Выполнить прогнозирование временного ряда.

Ход работы

Для начала необходимо импортировать все необходимые библиотеки.

Рисунок 1 - Импорт библиотек

Далее считан файл, с которым будет осуществляться работа, и построен график временного ряда, по имеющимся данным. Соответствующие действия показаны на Рисунках 2, 3.

Рисунок 2 - Задание тренировочных данных

Рисунок 3 – График временного ряда

Теперь удален столбец «время», по сути представляющий собой номер строки, и произведена нормализация имеющихся данных. Создана функция активации на основе обратной квадратичной радиально-базисной функции (RBF) и заданы параметры самой нейронной сети, скрытый слой которой будет работать по созданной ранее функции, а остальные – по предложенной в варианте функции гиперболического тангенса.

Рисунок 4 - Нормализация

Рисунок 5 – Построение нейросети

Установлен параметр обучения - кол-во эпох = 100

Так же заданы временные параметры: переменные месяц, полгода, год, содержащие в себе количество месяцев в них.

Сформированы наборы для обучения. На Рисунке 6 показан процесс их создания и сами получившееся наборы.

Рисунок 6 - Построение модели

Выполнено обучение нейросети и получены предсказанные результаты.

Рисунок 7 - Обучение

Сформированы данные для графиков: кол-во наблюдений, реальные значения, предсказанные значения.

Рисунок 8 – Данные для графиков

Далее осуществлена отрисовка графиков реальных и предсказанных значений.

Рисунок 9 - Сравнение графиков

Как можно заметить, предсказанные значения немного отличаются от реальных, но идут по одной траектории. Учитывая параметры, заданные нейросети, предсказания весьма не плохие.

Была реализована гистограмма остатков, на которых показана разница между реальными значениями и предсказанными.

Рисунок 10 - Гистограмма остатков

По данной гистограмме видно, что небольших различий (0.0 - 0.15) больше чем больших.

Далее отрисованы графики с предсказаниями на полгода и год вперед.

Рисунок 11 - Предсказание на полгода

Рисунок 12 - Предсказания на год

Вывод

Была реализованная RBF нейронная сеть для предсказания средней зарплаты по разным месяцам и годам, как показала практика данная нейросеть для подобных вопросов не подходит, так как, несмотря на то, что предсказываемые значения изменяются схожим образом с исходными данными, полученные значения не совпадают с первоначальными.

Ссылка на google.colab https://colab.research.google.com/drive/1GuAOAMmjycfCnAJM6eUKZ8EfzckYR3Ud?usp=sharing