Page 55 - 4703
P. 55

(точніше, величину одиниця мінус це відношення) іноді нази-
           вають долею поясненої дисперсії моделі.
                По-третє,  можна  вивести  зображення  поверхні  відгуку.
           Насправді, зрозуміло, ця поверхня є N+1-вимірний об'єкт, де N
           - число вхідних елементів, а вимір, що залишився, відповідає
           висоті  точки  на  поверхні.  Зрозуміло,  що  безпосередньо  візу-
           ально представити таку поверхню при N більшому двох немо-
           жливо (а реально N  завжди більше двох).  Проте, в пакеті ST
           Neural  Networks  можна  виводити  зрізи  поверхні  відгуку  по
           будь-яких двох вхідних змінних. При цьому значення усіх ін-
           ших вхідних змінних фіксуються і міняються тільки два виб-
           рані. Усім іншим змінним можна надати будь-яке значення на
           власний  розсуд  (за  умовчанням  система  ST  Neural  Networks
           візьме для них середні значення). Значення двох досліджува-
           них  змінних  можна  міняти  в  довільному  діапазоні  (за  умов-
           чанням - в діапазоні зміни навчальних даних).

                1.5 Прогнозування часових рядів  в пакеті  ST Neural
           Networks

                У завданнях аналізу часових рядів метою являється про-
           гноз  майбутніх значень змінної,  залежної  від часу, на основі
           попередніх значень її і/або інших змінних.
                Як правило, прогнозована змінна є числовою, тому про-
           гнозування часових рядів - це окремий випадок регресії. Проте
           таке обмеження не закладене в пакет ST Neural Networks, так
           що  в  ньому  можна  прогнозувати  і  часові  ряди  номінальних
           (тобто тих, що класифікують) змінних.
                Зазвичай чергове значення часового ряду прогнозується
           по деякому числу його попередніх значень (прогноз на один
           крок вперед в часі). У пакеті ST Neural Networks можна вико-
           нувати  прогноз  на  будь-яке  число  кроків.  Після  того,  як  ви-
           числено чергове передбачуване значення, воно підставляється
           назад і з його допомогою (а також попередніх значень) вихо-
           дить наступний прогноз - це називається проекцією часового
           ряду.  У  пакеті  ST  Neural  Networks  можна  здійснювати  про-
           екцію  часового  ряду  і  при  покроковому  прогнозуванні.  Зро-
           зуміло,  що  надійність такої  проекції тим  менше,  чим  більше
           кроків вперед ми намагаємося передбачити. У випадках, коли


                                          55
   50   51   52   53   54   55   56   57   58   59   60