ЩОДО ПИТАННЯ ПРОГНОЗУВАННЯ З ВИКОРИСТАННЯМ КЛАСИЧНИХ І НЕЙРОМЕРЕЖЕВИХ МЕТОДІВ МАШИННОГО НАВЧАННЯ

Анотація

У статті описано принципи прогнозування з використанням класичних і нейромережевих методів машинного навчання. Наголошено, що механізм прогнозування застосовується у фінансовій сфері, для прогнозування рівня продажів, інфляції, реального внутрішнього валового продукту, цін на нафту, золото, валюту, тощо. Описано принципи генетичного алгоритму, кластеризації, математико-статичні методи, методи нейромережевого прогнозування. Підкреслено, що у порівнянні з математико-статичними методами кластерний аналіз не накладає умов на тип об'єктів, що розглядаються, тому дозволяє досліджувати різноманіття вихідних даних довільної природи. Здійснено порівняння алгоритмів кластеризації. Наведено типову структуру нейронної мережі з прямим зв'язком, математично обґрунтовано принцип визначення похибки роботи штучної нейронної мережі. За для визначення рівня ефективності моделей прогнозування, здійснено оцінку за допомогою математичних статистичних показників: ступінь дисперсії, середньоквадратична помилка, середнє абсолютне відсоткове відхилення, медіана абсолютних відхилень, середньоквадратична похибка прогнозу, середня абсолютна похибка. Наведено схему інформаційних зв’язків при застосуванні системи прогнозування за допомогою класичних і нейромережевих методів машинного навчання. У статті наголошено, що прогнозування за допомогою класичних і нейромережевих методів машинного навчання є програмним комплексом, який призначено для прогнозування даних. Таблично представлено результати аналізу моделей прогнозування. Зазначається, що перша модель поділяє дані на групи, таким чином, щоб кожна група складалася зі схожих об'єктів, а об'єкти різних груп були відмінними один від одного, у другій моделі, на відміну від першої, перелік груп не заданий чітко, а визначається у процесі роботи алгоритму, третя модель за один крок здійснює обробку деякої популяції рядків. Підкреслено, що вибір різних нейрометодів залежить від конкретного завдання і не може бути визначено однозначно, а для досягнення найкращого результату необхідно експериментувати з вибором заходів відстаней, інколи ж навіть змінювати алгоритм.