Домашнее задание к главе 4. Расчет сети Байеса

Цель: Расчет полных и условных вероятностей для различных событий. Предметная область: характеристики студентов Вашего потока.

Исходные данные. Выбрать 4 атрибута, характеризующих студентов, и заполнить таблицу следующего вида:

Вместо приведенных в качестве примера атрибутов (получает стипендию, живет в общежитии,…) подставить атрибуты, выбранные самостоятельно.

Объем таблицы — не менее 25 строк. Заполнение таблицы строго индивидуально. У каждого должен быть свой вариант заполнения.

Провести расчеты с использованием сети Байеса.

• 1. Выбрать зависимые и независимые переменные. Составить сеть Байеса для данного набора переменных. Вычислить все априорные, условные и полные вероятности.
• 2. Вычислить информативность каждого атрибута по формуле Шеннона. Построить дерево решений, как в разд. 5.3, руководствуюсь данными об информативности атрибутов. Сравнить полученное дерево с выбранным в п. 1, разбиением на зависимые и независимые переменные.
• 3. Добавить в таблицу 5 строк. Пересчитать. Сделать выводы о достаточности (недостаточности) данных.

Содержание отчета:

• 1. Исходная таблица.
• 2. Граф сети Байеса со всеми вероятностями.
• 3. Показатели информативности по Шеннону
• 4. Дерево решений с вероятностями.
• 5. Выводы.

Лабораторная работа № 1. Прогнозирование с помощью нейронной сети

Цель работы: Исследование программы NeuroGenetic Optimizer (NGO). Задание: Загрузить в программу NGO котировки акций в соответствии с вариантом:

Номер варианта выбирается так же, как в домашнем задании № 2.

Для получения исходных данных войти на сайт http://www.finam.ru/analysis/export/default.asp Выбрать контракт (эмитента акций) в соответствии с вариантом, период не менее полугода, имя файла — на свое усмотрение. Остальные параметры задать, как указано на следующем снимке экрана.

Экспортированный файл будет иметь следующий вид (на примере Газпрома).

, , ,.

GAZP, 60, 20 080 801, 100 000, 277.80 000.

GAZP, 60, 20 080 801, 110 000, 278.20 000.

GAZP, 60, 20 080 801, 120 000, 275.89 000.

GAZP, 60, 20 080 801, 130 000, 274.44 000.

GAZP, 60, 20 080 801, 140 000, 273.90 000.

GAZP, 60, 20 080 801, 150 000, 272.5 000.

GAZP, 60, 20 080 801, 160 000, 275.50 000.

GAZP, 60, 20 080 801, 170 000, 273.22 000.

GAZP, 60, 20 080 804, 100 000, 269.70 000.

GAZP, 60, 20 080 804, 110 000, 269.38 000.

GAZP, 60, 20 080 804, 120 000, 269.74 000.

GAZP, 60, 20 080 804, 130 000, 267.69 000.

GAZP, 60, 20 080 804, 140 000, 267.78 000.

GAZP, 60, 20 080 804, 150 000, 267.19 000.

GAZP, 60, 20 080 804, 160 000, 265.46 000.

GAZP, 60, 20 080 804, 170 000, 263.40 000.

GAZP, 60, 20 080 805, 100 000, 259.46 000.

GAZP, 60, 20 080 805, 110 000, 257.70 000.

GAZP, 60, 20 080 805, 120 000, 252.36 000.

Экспортированный файл за полгода должен иметь около 1000 строк (8 часов * 5 дней * 25 недель). Для целей прогнозирования использовать только последнее поле (цена закрытия).

Выполнить обучение нейронной сети для прогнозирования котировок на следующий час. Использовать временной лаг для порождения массива котировок таким образом, чтобы входными переменными для нейронной сети были значения котировок C_i3 С}__1? Cj_₂j …, а прогнозироваться должно значение C_i+1. В приведенной ниже таблице показан фрагмент массива данных для обучения, полученный из файла котировок акций Газпрома.

Таким образом, прогноз на следующий час строится на основе последовательности котировок за предыдущие пять часов.

Содержание отчета:

• 1. Описание проблемы.
• 2. График изменения котировок.
• 3. Выбор способа деления массива данных на наборы для обучения и для тестирования.
• 4. Скриншоты работы программы NGO в процессе обучения.
• 5. Описание построенной нейронной сети (число нейронов, количество слоев, типы функций активации).
• 6. Анализ точности построения и валидация (оценка практической применимости) полученной нейросетевой модели.