translate:how_effective_are_neural_networks_at_forecasting_and_prediction
Различия
Показаны различия между двумя версиями страницы.
Предыдущая версия справа и слеваПредыдущая версияСледующая версия | Предыдущая версия | ||
translate:how_effective_are_neural_networks_at_forecasting_and_prediction [2013/10/21 16:34] – [Как выбирать обучение] artamonov | translate:how_effective_are_neural_networks_at_forecasting_and_prediction [2013/10/24 21:12] (текущий) – [Критерий оценки обучения] artamonov | ||
---|---|---|---|
Строка 2: | Строка 2: | ||
Перевод статьи: | Перевод статьи: | ||
- | How Eective | + | How Effective |
Авторы: | Авторы: | ||
- University of Maryland at Baltimore County, USA | - University of Maryland at Baltimore County, USA | ||
- Case Western Reserve University, USA | - Case Western Reserve University, USA | ||
+ | |||
+ | Перевод: | ||
==== Аннотация ==== | ==== Аннотация ==== | ||
- | Несмотря на увеличение количества приложений прогнозирования с использованием искусственных нейронных сетей в прошлом десятилетии, | + | Несмотря на увеличение количества приложений прогнозирования с использованием искусственных нейронных сетей в прошлом десятилетии, |
**Ключевые слова: | **Ключевые слова: | ||
==== Введение ==== | ==== Введение ==== | ||
- | Искусственные нейронные сети | + | Искусственные нейронные сети - вычислительные структуры, |
В общем, модели НС описываются топологией сети, характеристиками узлов и правилами тренировки или обучения. НС состоят из большого числа простых обрабатывающих элементов, | В общем, модели НС описываются топологией сети, характеристиками узлов и правилами тренировки или обучения. НС состоят из большого числа простых обрабатывающих элементов, | ||
Строка 22: | Строка 24: | ||
Структура работы состоит в следующем. Во-первых, | Структура работы состоит в следующем. Во-первых, | ||
- | ==== Как выбирать обучение ==== | + | ==== Как выбирались исследования ==== |
Нас интересовало, | Нас интересовало, | ||
- | ==== Критерий оценки обучения ==== | + | ==== Критерий оценки |
+ | |||
+ | При оценке исследований мы были заинтересованы в ответах на 2 вопроса. Во-первых, | ||
+ | |||
+ | ===Эффективность проверки=== | ||
+ | |||
+ | Существуют устоявшиеся традиции в исследованиях прогнозирования сравнением подходов на основе эмпирических результатов. Если новый подход следует воспринимать всерьёз, | ||
+ | |||
+ | Честно говоря, | ||
+ | |||
+ | Для оценки эффективности проверки мы применили 3 руководящих принципа, | ||
+ | |||
+ | ==Сравнение с общепринятыми моделями== | ||
+ | |||
+ | Прогнозы по предложенной модели должны работать по крайней мере так же хорошо как и некоторые общепринятые модели. Например, | ||
+ | |||
+ | ==Использование предварительных проверок== | ||
+ | |||
+ | Сравнения прогнозов должны базироваться на предварительном (вне примеров) результате. Другими словами, | ||
+ | |||
+ | ==Использование разумных примеров прогноза== | ||
+ | |||
+ | Размер контрольной выборки должен быть адекватным, | ||
+ | |||
+ | ===Эффективность реализации=== | ||
+ | |||
+ | Для исследований, | ||
+ | |||
+ | При определении эффективности с которой НС были разработаны и протестированы мы использовали принципы оценки работы сети предложенные Рефенсом. Наша реализация некоторых критериев (в частности что касается стабильности реализации) отличается от реализаций Рефенса. | ||
+ | |||
+ | * // | ||
+ | * // | ||
+ | * // | ||
+ | |||
+ | Критерии носят довольно общий характер, | ||
+ | |||
+ | В целом исследования были классифицированы по 3 типам. Те, что хорошо реализованы и хорошо проверены представляют интерес независимо от результатов. Они могут быть использованы как для аргументации за применение НС, так и против, | ||
==== Результаты ==== | ==== Результаты ==== | ||
+ | 27 из этих исследований были эффективно проверены. В приложении А приведены наши оценки эффективности каждого из 48 исследований. 11 исследований соответствовали критериям реализации и проверки. Из оставшихся 37, 16 были хорошо проверены, | ||
+ | |||
+ | 5 исследований показали хорошую эффективности проверки, | ||
+ | |||
+ | === Эффективно проверенные и реализованные === | ||
+ | |||
+ | Из 11 исследований, | ||
+ | |||
+ | 2 из 8 исследований классификации, | ||
+ | |||
+ | Уилсон и Шарда (1994) и Там и Кианг (1990, 1992) разработали НС для классификации банкротств. Уилсон и Шарда (1994) пришли к выводу, | ||
+ | |||
+ | Там и Кианг (1990, 1992) сравнили производительность НС со множеством альтернатив: | ||
+ | |||
+ | В похожей области, | ||
+ | |||
+ | Рефенс, | ||
+ | |||
+ | 3 из 11 эффективных исследований сравнили работу с альтернативными моделями предсказания временных рядов. Их них 1 показало смешанные результаты в сравнении НС с альтернативными методиками. Хо, Хсу и Йонг (1992) протестировали предложенный алгоритм, | ||
+ | |||
+ | Фостер, | ||
+ | |||
+ | Коннор, | ||
+ | |||
+ | === Эффективно проверенные положительные результаты, | ||
+ | |||
+ | 11 дополнительных исследований, | ||
+ | |||
+ | Другие исследования в области прогнозирования включают исследования Флетчера и Госса (1993), Десилтса (1992) и Кимото (1990). Флетчер и Госс (1993) разработали НС для классификации банкротств и сравнили свою НС с логическими моделями. НС превзошли логические модели, | ||
+ | |||
+ | В области прогнозирования временных рядов, Чен, Ю и Моджадамжо (1992) использовали НС для прогнозирования электрической нагрузки. НС обеспечили лучший прогноз чем модели ARIMA. Они также лучше адаптированы к изменениям, | ||
+ | |||
+ | === Дальнейшая оценка реализаций алгоритма обратного распространения ошибки === | ||
+ | |||
+ | Из 48 исследований, | ||
+ | |||
+ | * Структура сети: Некоторые проблемы, | ||
+ | * Градиентный спуск: манипуляции с коэффициентом обучения во время тренировки показали тенденцию к более эффективному снижению градиента на поверхности ошибок. | ||
+ | * Перекрёстная проверка: | ||
+ | * Перекрёстная функция: | ||
+ | * Функция трансформации: | ||
+ | |||
+ | Из 27 исследований, | ||
==== Заключение ==== | ==== Заключение ==== | ||
+ | |||
+ | Из 48 исследований, | ||
+ | |||
+ | Можно сделать 2 вывода из нашей оценки реализации НС для задач прогнозирования. Во-первых НС, когда они эффективно реализованы и проверены, | ||
+ | |||
+ | Пока значение НС для задач прогнозирования не установлено, | ||
+ | |||
+ | Исследователи возлагали надежды на потенциал НС в бизнес приложениях. Мы оценили 48 эмпирических исследований прикладных НС для задач прогнозирования в бизнесе. Около 48% исследований не смогли проверить предлагаемые НС. Из оставшихся 26 исследований 54% не смогли надлежащим образом реализовать методику НС, что не позволило им превзойти альтернативные методы, |
translate/how_effective_are_neural_networks_at_forecasting_and_prediction.1382373268.txt.gz · Последнее изменение: 2013/10/21 16:34 — artamonov