Deductor Studio Academic это аналитическая платформа для создания конечных прикладных решений в области анализа данных. Технологии, которые были реализованы в Deductor на базе единой архитектуры позволяют осуществить все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора и визуализации полученных результатов.

В ходе разработки модели будем использовать следующую последовательность шагов:

Шаг 1. Разработка архитектуры нейросети.

Шаг 2. Обучение нейросети (осуществляется подачей на вход обучающего множества).

Шаг 3. Тестирование (оценивается качество классификации при подаче на вход тестового множества). Сеть считается успешной при относительной ошибке не более 20 %. Если ошибка больше, следует возврат к шагу 2. В случае, когда повторное обучение не улучшило результат, сеть считается неудачной и выбывает из эксперимента.

Шаг 4. Контрольная классификация.

Источником входных и выходных данных являлся сайт «Ситистар» (недвижимость г. Магнитогорска). В качестве параметров были выбраны: количество комнат, тип дома, район, этаж, этажность дома, общая площадь, жилая площадь, площадь кухни, наличие ремонта, мебели, застеклённость балкона и стоимость.

Входные параметры:

Х1 – количество комнат;

X2 – тип дома, закодирован следующими значениями :

1 – УП (улучшенная планировка);

2 – БР («брежневка»);

3 – ХР («хрущевка»);

4 – СП (старая планировка);

5 – МС (квартира малосемейного типа); 6 – студия; 7 – новостройка;

8 – нестандартная;

9 – «сталинка»;

10- стандартная;

11 – «свердловский вариант»;

X3 – район:

1 – Ленинский;

2 – Правобережный;

3 – Орджоникидзевский;

X4 – этаж;

X5 – всего этажей;

X6 – общая площадь (кв. м.);

X7 – жилая площадь (кв. м.);

X8 – площадь кухни (кв. м.);

X9 – балкон (1 – застеклён; 2 – не застеклён);

Х10 – наличие мебели (1 – есть; 2 – нет);

Х11 – наличие ремонта (1 – есть; 2 – нет).

Выходной параметр: Y1 – стоимость квартиры (тыс. руб.).

В ходе выполнения работы была сформирована выборка из 200 объявлений, составленная в офисном пакете MSExcel, после чего был произведён импорт в Deductor (рисунок 1).

Рисунок 1 – Импорт выборки

После импорта данных и получения детальной статистики по выборке были установлены входные и выходные поля данных. Далее был установлен процент обучающего множества – 80% и тестового – 20%. После разбиения исходного набора данных на подмножества мы определили допустимый диапазон нейронов на скрытых слоях персептрона. Для этого мы использовали формулу, являющуюся следствием теорем Арнольда–Колмогорова–Хехт–Нильсена.

гдеN_x – размерность входного сигнала;  - размерность выходного сигнала; Q – число элементов обучающей выборки.

Следовательно, число нейронов в скрытых слоях  приN_x=11, N_y=1, Q=200.

При определении N_опти обучении персептрона на 10000 эпохах было найдено необходимое количество нейронов в скрытых слоях равное четырём, при которых система осуществляет вычисления с минимальной погрешностью (среднеквадратичная ошибка обучающего множества составила – 1,94Е-03).

Итак, при разработке архитектуры нейросети были установлены следующие параметры:

1. Число слоев нейронов – 4;
2. Число нейронов входного слоя – 14;
3. Число нейронов выходного слоя – 1;
4. Крутизна – 0,3;
5. Функция активации – сигмоида.

Перед началом обучения были настроены шаги спуска и подъема на уровне 0,4 и 1,2 соответственно. Шаг спуска – в случае изменения знака градиентной составляющей ошибки для данного веса задает величину следующей коррекции веса. Шаг подъема – в случае сохранения знака градиентной составляющей ошибки для данного веса задает величину следующей коррекции веса, по умолчанию 1,2 (рисунок 2).

Рисунок 2 – Обучение нейронной сети

Для отдельных значений тестовой выборки максимальная ошибка составляла до 6,44Е-01, что может объясняться:

1. Недостаточным объемом исходной информации, например, отсутствие данных о состоянии квартиры.
2. Слабой корреляцией между отдельными параметрами.

В результате проделанной работы была получена нейронная сеть представленная на рисунке 3.

Обучив нейронную сеть, мы получили возможность оценивать любую квартиру по заданным параметрам с помощью инструмента «что если» (рисунок 4).

Рисунок 3 – Нейронная сеть

Рисунок 4 – Анализ построенной модели по принципу «Что если»

Таким образом, двухкомнатная квартира нестандартной планировки в Орджоникидзевском районе, находящаяся на восьмом этаже девятиэтажного дома общей площадью 51 кв. м. будет стоить 1,544 млн. рублей.

1. Гаврилова И.В. Дистанционный курс “Имитационное моделирование”: электронный учебно-методический комплекс / И.В. Гаврилова // Хроники объединенного фонда электронных ресурсов Наука и образование. ‑ 2015. ‑ № 11 (78). ‑ С. 62.
2. Гаврилова И.В. Методы построения информационной модели ARIS / И.В. Гаврилова, М.В. Махмутова, И.Д. Белоусова, А.М. Агдавлетова // Успехи современной науки. 2016. ‑ Т. 3.‑  № 4. ‑ С. 36-38.
3. Лактионова Ю.С. Моделирование в исследовании динамики твердых тел : В сборнике:И Сборник научных трудов II Международной конференции. Национальный исследовательский Томский политехнический университет. 2015. С. 59-60.
4. Путинин Ю.В., Хамутских Е.Ю., Лактионова Ю.С. Использование количественных методов для оценки эффективности IT-проекта
   в сборнике: информационные технологии в науке, управлении, социальной сфере и медицине : Сборник научных трудов II Международной конференции. Национальный исследовательский Томский политехнический университет. 2015. С. 280-281.
5. Новикова Т.Б., Махмутова М.В., Гусева Т.Ф., Вахрушев В.И., Седнева Д.А., Климов П.А., Иванченко А.Е., Игнатова Т.А., Яковлева М.Ф. Моделирование бизнес-процесса «Учет ремонтов» с целью повышения эффективности и функционирования компании по предоставлению ремонтных услуг // Современные научные исследования и инновации. 2015. № 12 (56). С. 268-274.
6. Шарипова У.В., Федоренко И.А., Новикова Т.Б., Курзаева Л.В., Енютина А.В., Арзамасцева Е.А. Актуальность модели EEPC в описании деятельности компании // Современные научные исследования и инновации. 2016. № 1 (57). С. 141-145.
7. Назарова О.Б., Новикова Т.Б., Петеляк В.Е. К вопросу разработки диаграммы «архитектура системы – ASD» // В сборнике: Современная наука: теоретический и практический взгляд Сборник статей Международной научно-практической конференции. Ответственный редактор: Сукиасян Асатур Альбертович. 2015. С. 75-77.
8. Новикова Т.Б., Гусева Т.Ф., Вахрушев В.И., Седнева Д.А., Климов П.А., Иванченко А.Е., Игнатова Т.А. Опыт моделирования диаграмм OD, FTA, VAD, EEPC для постановки задач управления в социальных и экономических системах // Современные научные исследования и инновации. 2016. № 1 (57). С. 67-72.
9. Курзаева Л.В. Нечеткая логика и нейронные сети: учебно-наглядное пособие. -2015.-125 c.
10. Курзаева Л.В. Нечеткая логика и нейронные сети: учебное пособие. Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2016. 113 с
11. Овчинникова И.Г., Курзаева Л.В., Петеляк В.Е., Гаврилова И.В. Математическое обеспечение системы оценки рыночной стоимости недвижимости на основе методов нечеткой логики // Успехи современной науки и образования. – 2016. – Т. 2. – № 3. – С. 58-60.

Все статьи автора «Вахрушев Владислав Игоревич»