Spr7 Łukasz Śledzik I1H1S2(1)

background image

Sprawozdanie- Sieci neuronowe

Grupa- I1H1S2

Autor: Łukasz Śledzik

Data- 20-V-2012

W agencji nieruchomości „Tani dom” wyróżniono trzy cechy charakteryzujące nieruchomości
przeznaczone do wynajmu są to :Duże , Tanie , Uzbrojone.

W zależności od wielkości, ceny i uzbrojenia mieszkania w media do cech Duże (D) , Tanie
(T), Uzbrojone (U) przypisywane są wartości wag od 1 do 5. Agencja wykonała badania
ankietowe na wybranych klientach którzy zaliczali mieszkania na podstawie wag do dwóch
grup preferencji. Gdzie grupa pierwsza oznacza mieszkania najbardziej poszukiwane.

Dane z badań ankietowych pokazuje poniższa tabela:

Du

ż

e

(D)

Tanie
(T)

Uzbrojone (U)

Grupa
Preferencji

4

1

2

2

3

5

2

1

1

5

0

2

1

0

3

2

4

2

0

2

5

4

1

2

3

4

1

2

5

5

5

1

5

0

4

2

5

2

0

2

0

5

0

2

0

3

5

2

5

5

0

2

1

3

5

2

5

1

0

2

3

4

1

2

5

5

3

1

3

1

5

2

5

4

5

1

0

0

1

2

5

2

5

2

0

2

5

2

0

2

2

2

background image

3

2

5

2

5

0

5

2

0

4

5

2

1

1

5

2

4

1

3

2

0

0

0

2

5

0

5

2

1

4

3

2

5

0

2

2

3

3

2

1

2

2

5

2

4

0

5

2

3

4

3

1

4

3

4

1

4

5

3

1

Zadania do wykonania:

A.

1.

Zbudować sieć neuronową przystosowaną do klasyfikacji mieszkań

2.

Nauczyć sieć rozpoznawać preferencje na podstawie danych zamieszczonych w
powyższej tabeli.

3.

Sformułować wnioski dotyczące wygenerowanej sieci.

Rozwiązanie w R:

background image

Wynik prób:

Siec neuronowa o parametrach (10,10,10,1)

grupowanie

Wyjscie_sn

zaokrągeleni

ok?

2

2.02717356

2

1

1

1.060612101

1

1

2

2.011504796

2

1

2

2.009763434

2

1

2

2.032324356

2

1

2

2.007154835

2

1

2

2.048268703

2

1

1

1.098343889

1

1

2

1.969399262

2

1

2

1.981680558

2

1

2

2.025652837

2

1

2

2.081039719

2

1

2

2.042121036

2

1

2

2.044344327

2

1

2

1.994092772

2

1

2

2.048268703

2

1

1

1.114621221

1

1

2

2.041602797

2

1

1

0.976512366

1

1

2

2.02396573

2

1

2

2.032360746

2

1

2

2.078892164

2

1

2

2.020534397

2

1

2

2.051468364

2

1

2

2.014994761

2

1

2

2.019881303

2

1

background image

2

2.02620568

2

1

2

2.043756903

2

1

2

2.012218741

2

1

2

2.014994761

2

1

2

2.019881303

2

1

2

2.049877597

2

1

1

1.025265249

1

1

2

1.973102385

2

1

2

2.02046292

2

1

1

1.000817836

1

1

1

0.980986946

1

1

1

1.055871485

1

1

1

0.943390164

1

1

suma

39

Siec neuronowa o parametrach (15,15,15,1)

grupowanie

Wyjscie_sn

zaokrągeleni

ok?

2

2.018419943

2

1

1

1.003980307

1

1

2

1.993475472

2

1

2

1.982536184

2

1

2

2.000142092

2

1

2

2.026651708

2

1

2

2.019349299

2

1

1

1.055845475

1

1

2

1.985263262

2

1

2

2.01134803

2

1

2

2.022984212

2

1

2

1.97890502

2

1

2

1.989489901

2

1

background image

2

1.996860141

2

1

2

1.994460349

2

1

2

2.019349299

2

1

1

1.03407357

1

1

2

2.005321468

2

1

1

0.961289277

1

1

2

2.015353637

2

1

2

1.97335482

2

1

2

1.956360708

2

1

2

1.987503796

2

1

2

1.977182144

2

1

2

2.001508398

2

1

2

2.007764721

2

1

2

2.000894738

2

1

2

2.003693607

2

1

2

1.988034038

2

1

2

2.001508398

2

1

2

2.007764721

2

1

2

2.001202397

2

1

1

1.000815377

1

1

2

1.961176388

2

1

2

2.009051826

2

1

1

0.985494055

1

1

1

0.989057303

1

1

1

1.039948167

1

1

1

0.95777161

1

1

suma

39

background image

Siec neuronowa o parametrach (35,35,35,1)

grupowanie

Wyjscie_sn

zaokrągeleni

ok?

2

1.95954985

2

1

1

0.998114329

1

1

2

1.982933908

2

1

2

1.996435071

2

1

2

1.983749835

2

1

2

2.013423962

2

1

2

2.019884208

2

1

1

1.051084153

1

1

2

1.982003637

2

1

2

1.972682938

2

1

2

2.027611239

2

1

2

2.002667568

2

1

2

1.987688915

2

1

2

2.00205482

2

1

2

2.014130698

2

1

2

2.019884208

2

1

1

1.049082549

1

1

2

1.996035396

2

1

1

0.967961776

1

1

2

1.990421508

2

1

2

2.00342505

2

1

2

2.004007149

2

1

2

2.004913979

2

1

2

1.997668142

2

1

2

1.991947631

2

1

2

2.009262031

2

1

2

1.997209191

2

1

2

2.041266883

2

1

background image

2

1.999777435

2

1

2

1.991947631

2

1

2

2.009262031

2

1

2

1.998007458

2

1

1

1.000071421

1

1

2

1.972228632

2

1

2

1.997844873

2

1

1

0.995727413

1

1

1

1.01634403

1

1

1

1.035706511

1

1

1

0.944629963

1

1

suma

39

1.

Wygenerować dane losowych preferencji dla 100 przypadków mieszkań dla cech:
Duże (D), Tanie (T), Uzbrojone (U), Blisko Centrum (BC). Każda z tych cech może
przybrać wartości wag od 1 do 8. Należy wykorzystać funkcję LOS().

2.

Zbudować funkcję klasyfikującą każdą ze 100 nieruchomości do grupy 1 lub drugiej
według następującej reguły:

Jeśli (D)>=5 i (T)>=6 i (U)>=7 i (BC)>=4 to grupa pierwsza. Pozostałe mieszkania są
zaliczane do grupy 2.

3.

Zbudować sieć neuronową dostosowaną do klasyfikacji mieszkań do grupy pierwszej
lub drugiej.

4.

Sformułować wnioski dotyczące wygenerowanej sieci.

background image

Generowanie wag od 1-8 wykonałem funkcją excel :

=ZAOKR.DO.CAŁK(LOS()*8+1)

Rozwiązanie R:

Warunek w arkuszu excel:

=JEŻELI((Dane1!A2>=5)*(Dane1!B2>=6)*(Dane1!C2>=7)*(Dane1!D2>=4);1;2)

Wyniki w R:

grupowanie

Wyjscie_sn

zaokrągeleni

ok?

1

1.995182402

2

0

2

1.996652809

2

1

2

2.003038477

2

1

2

2.000973723

2

1

2

1.995517106

2

1

2

1.995356735

2

1

2

1.995216686

2

1

2

1.995173952

2

1

background image

2

1.995601268

2

1

2

2.006252264

2

1

2

1.995175602

2

1

2

1.995700574

2

1

2

2.043214228

2

1

2

1.996601098

2

1

2

1.997026374

2

1

2

1.995173265

2

1

2

1.996652809

2

1

2

1.995238971

2

1

2

1.996188751

2

1

2

1.995329564

2

1

2

1.99859784

2

1

2

1.995437751

2

1

2

2.043214228

2

1

2

1.997870541

2

1

2

1.995288518

2

1

2

2.019933159

2

1

2

2.008503711

2

1

2

1.995383446

2

1

2

1.995189074

2

1

2

1.997239358

2

1

2

1.995261399

2

1

2

1.997870541

2

1

2

1.997620616

2

1

2

2.00938006

2

1

2

2.023554731

2

1

2

1.974314396

2

1

2

1.995340727

2

1

2

1.995269869

2

1

background image

2

1.995178517

2

1

2

1.995601268

2

1

2

2.020139034

2

1

2

1.996188751

2

1

2

2.00140765

2

1

2

1.995329564

2

1

2

1.995281906

2

1

2

1.996188751

2

1

2

1.995329564

2

1

1

2.003378598

2

0

2

1.995198199

2

1

2

1.99525176

2

1

2

1.997464739

2

1

2

1.995736813

2

1

2

2.023554731

2

1

2

1.995445288

2

1

2

1.995198804

2

1

2

1.995213479

2

1

2

1.995545833

2

1

2

1.995182402

2

1

2

2.012413944

2

1

2

1.996652809

2

1

2

1.995171979

2

1

2

2.023554731

2

1

2

1.999444085

2

1

2

1.998677896

2

1

2

1.995700574

2

1

1

1.995808333

2

0

2

1.997620616

2

1

2

1.995445288

2

1

background image

2

1.995437751

2

1

2

1.995192178

2

1

2

1.995261399

2

1

2

2.006252264

2

1

2

1.995173265

2

1

2

1.995173952

2

1

2

1.995173952

2

1

2

1.995445288

2

1

2

1.996331935

2

1

2

1.995261399

2

1

2

1.996165694

2

1

2

2.006252264

2

1

2

2.003378598

2

1

2

1.995185471

2

1

2

1.995175602

2

1

2

1.996392796

2

1

2

1.995175602

2

1

2

1.997239358

2

1

2

1.995171979

2

1

2

1.995356735

2

1

2

2.034904482

2

1

2

2.000973723

2

1

2

2.003038477

2

1

2

1.996652809

2

1

2

1.995182402

2

1

2

1.99859784

2

1

2

2.000973723

2

1

2

1.996392796

2

1

2

1.995319951

2

1

2

2.003475144

2

1

background image

2

1.997239358

2

1

2

1.995383446

2

1

suma

97

Dla sieci (2,2,2,1) wynik 97 %


Wyszukiwarka

Podobne podstrony:
i1h1s2 Łukasz Śledzik SWP lab2(1)
Łukasz Okła I1H1S2 lab2(1)
I1H1S2 Sledzik Lukasz(1)
Śledzik Łukasz I1H1S2 Miw(1)
I1H1S2 Sledzik Lukasz(1)
Śledzik Łukasz I1H1S2 Miw(1)
I1H1S2 PSBI SledzikLukasz, WAT, SEMESTR IX, psbi, 0zadaniaPSBI-SAiI
Projekt sprawozdanie Śledzik Łukasz(1)
Sprawozdanie4 Śledzik Łukasz(1)
Ćw 03c Izolacja limfocytów ze śledziony oraz określanie żywotności komórek
SLEDZIE w zalewie pomidorowej - pyszne, Inne, KULINARIA
Spr7, Gepdezja nst KPSW - Bydgoszcz, Semestr 5, GW, gw, GW, wyższa, geodezja wyższa, cw8
Uraz śledziony, MEDYCYNA, RATOWNICTWO MEDYCZNE, BTLS+chirurgia
Płaty śledziowe w sosie miodowo pomidorowym, przepisy
Zestawienie pow stare, od Łukasza
śledzie na kilka sposobów, Przepisy
giełda chirurgia śledziona
Metody godne Łukaszenki

więcej podobnych podstron