Федотов В.Х. Нейронные сети в MS Excel

Подождите немного. Документ загружается.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

РОССИЙСКОЙ ФЕДЕРАЦИИ

Чувашский государственный университет имени И.Н. Ульянова

Нейронные сети в MS Excel

Методические указания

к практическим занятиям и лабораторным работам

Чебоксары 2004

УДК 004.670.322.6

(075.8)

Составитель В.Х. Федотов

Нейронные сети в MS Excel: Метод. указания к практ.

занятиям и лаб. работам / Сост. В. Х. Федотов; Чуваш. ун-т.

Чебоксары, 2004. 72 с.

Содержат описание Excel-надстройки для нейросетевого

моделирования Excel Neural Package. Приводятся подробные

примеры ее использования для решения экономических задач с

использованием двух базовых парадигм нейронных сетей –

многослойного персептрона и сетей Кохонена.

Для студентов

III-V курсов, обучающихся по

специальностям «Менеджмент», «Финансы и кредит»,

«Математические методы в экономике».

Отв. редактор доцент И.М. Петров

Утверждено Методическим советом университета

Характеристика пакета Excel Neural Package

Семейство продуктов Excel Neural Package (компания

«НейроОК») дополняет пакет MS Excel алгоритмами обработки

данных, использующими технологии нейронных сетей.

Реализовано как набор надстроек (add-ins) над Excel и состоит

из следующих компонент:

Winnet - программа-эмулятор нейросети для построения

нелинейных моделей, обобщающих эмпирические данные.

Инструмент статистического прогнозирования.

Kohonen Map - программа построения самоорганизующихся

карт Кохонена.

Инструмент графического анализа многомерных

данных.

Demo Examples – файлы демонстрационных примеров.

Times Series – программа анализа финансовых рядов.

Winnet

Winnet программно реализует распространенную

архитектуру нейронной сети - многослойный персептрон.

Предназначен для поиска скрытых зависимостей в больших

массивах численной информации, для которых в явном виде

аналитические зависимости не известны.

Основные характеристики Winnet 3.0

Параметр Комментарий

Максимальное число строк 65536 (ограничение Excel )

Максимальное число столбцов 256 (ограничение Excel )

Входное преобразование Линейное, сигмоидальное

Выявление релевантных

переменных до обучения сети

Энтропийный анализ - алгоритм

Boxcounting

Число слоев нейронной сети До 5

Число нейронов в слое Зависит от объема памяти

Переходные функции Линейная, гиперболический тангенс

Изменение цветовой палитры Улучшение наглядности

Алгоритмы обучения Адаптивный выбор параметров

обучения Rpropagation.

Подключаются как внешние модули

Winnet имеет следующий набор средств контроля за

обучением:

• Графики ошибок обучения, обобщения и диаграмм

рассеяния.

• Диаграммы отклика «реальное значение - предсказанное

нейросетью» для каждого выхода нейронной сети.

• Возможности настройки параметров тестового множества.

• Остановка обучения по различным критериям останова.

Kohonen Map

Kohonen Map представляет собой программный инструмент

для построения и анализа

информации с помощью алгоритма

самоорганизующихся карт Кохонена. Основные применения -

задачи кластеризации и визуализации многомерной информации.

Пользователь может представить весь массив данных в виде

двумерной цветной карты и визуализировать на ней

интересующие его характеристики. Карта «раскрашивается» по

любому интересующему параметру и строится по специальному

алгоритму, сохраняющему локальную близость данных: точки,

близкие

на карте, будут близки и в исходном многомерном

пространстве. (Обратное, вообще говоря, неверно!)

Основные характеристики Kohonen Map 1.0

Параметр Комментарий

Входное преобразование Линейное, сигмоидальное, нормировка

Понижение размерности

Метод главных компонент (Principal

Components Analysis)

Размер карты Кохонена Ограничен объемом свободной памяти

Число градаций цвета От 2 до 10

Изменение цветов Улучшение наглядности

Поиск по карте

Быстрое нахождение положения на карте

и просмотр ячеек карты

Demo Examples - демонстрационные примеры

К пакету прилагаются демонстрационные файлы.

1. «НейроРиэлтер» - прогноз стоимости жилья в Москве.

2. «Эксперт 200» - кластерный анализ предприятий,

входивших в рейтинг журнала «Эксперт».

3. «Нефтяная отрасль» - определение недооценки акций

нефтяных предприятий по фундаментальным параметрам.

4. «Биржа» – биржевой день фьючерсных торгов.

Эти примеры только демонстрируют общие подходы.

Можно добиться лучших результатов, самостоятельно обучая

новые варианты нейросетей, используя другие представления

данных и способы их предобработки.

НейроРиэлтер

НейроРиэлтер -

это нейросеть, натренированная более чем

на полутора тысячах предложений по продаже квартир в Москве,

взятых из базы данных риэлтерского агентства «МИАН».

Нейроцена квартиры обобщает имеющиеся данные, предлагая

средневзвешенную рыночную цену предложения на момент

составления базы. НейроРиэлтер хорошо подходит для

определения цены типичных квартир, близких по параметрам к

имеющимся в базе данных

Демонстрационные файлы в поддиректории …\Realtor:

Realtor.xls – файл данных; Real5.wnp и Real9.wnp – файлы

проектов многослойного персептрона с 5 и 9 нейронами в

скрытом слое соответственно. Для загрузки демонстрационного

файла проекта нейросети из файла Realtor.xls, лист Realtor,

необходимо после запуска Winnet в окне Select data source

задать параметры: колонки (В-M), первая строка (4), последняя

строка (1725), использовать первую строку в

качестве имен

входов (Включено).

В качестве примеров приведены два проекта нейросети. Оба

имеют 11 входов, 5 и 9 нейронов в скрытом слое. Результаты

обучения приведены в столбцах О и R соответственно. В

столбцах P и S для оценки погрешности предсказания посчитаны

относительные ошибки.

Эксперт 200

Пример демонстрирует общий подход к решению задачи

кластеризации: как можно

разделить имеющиеся данные на

группы с учетом нескольких факторов. В пример включены

предприятия, входившие в рейтинг журнала

«Эксперт».

Демонстрационные файлы в поддиректории …\Expert200:

Indicator97.xls – файл данных; Pr97_3x3.kmp и Pr97_10x10.kmp –

файлы проектов сетей Кохонена. Для загрузки файла проекта

сети Кохонена задаются следующие параметры: колонки (D,K-N),

начальная строка (5), конечная строка (191), использовать

первую строку как названия столбцов (Включено), использовать

данные в первом столбце как идентификатор (Включено).

Для обучения сети были использованы 4 параметра,

объединенных под

общим названием Индикаторы. Результаты

для двух проектов (сети 3х3 =9 кластеров и 10х10 =100

кластеров) приведены в столбцах O-P и Q-R. Просмотр и анализ

результатов можно проводить как встроенными в Kohonen Map

средствами, так и средствами MS Excel.

Нефтяная отрасль

Пример прикладного применения нейросетей к финансовому

анализу - оценка недооцененности акций нефтяных компаний по

параметрам

фундаментального анализа их производственной

деятельности.

Демонстрационные файлы в поддиректории …\Oil: Oil.xls –

файл данных; Oil2x3x1.wnp и Oil5x1.wnp – файлы проектов

нейросетей. Для загрузки файла проекта нейросети задаются

следующие параметры: колонки (C-H), начальная строка (5),

конечная строка (36), использовать первую строку как названия

столбцов (Включено).

В качестве примеров для сравнения приведены два проекта

нейросети. Первый, с 5 входами и 1 выходом

без скрытого слоя, -

пример реализации линейной модели. Второй пример с

использованием данных о наиболее значимых входах имеет 2

входа, 3 нейрона в скрытом слое и 1 выход. В качестве входов

использовались предобработанные данные о производственных

и финансовых результатах эмитентов за год – Индикаторы,

приведенные в столбцах C-G. В качестве выхода использовалась

Оцененность компании, равная

отношению капитализации к

общему объему реализации.

Результаты прогноза нейросетей приведены в столбцах I–L.

Если учесть аппроксимационные свойства нейросети, то можно

трактовать полученную для каждой компании Оцененность как

«истинную», полученную при анализе оцененностей всех

компаний отрасли, а «ошибку» трактовать как отличие текущей

оценки рынком стоимости акций компании от «истинной».

Соответственно, если текущая оцененность сильно превосходит

«истинную», то можно говорить о переоцененности акций и,

следовательно, об ожидании снижения цен на акции. И наоборот,

если текущая оцененность значительно меньше «истинной», то

можно говорить о недооцененности акций и, следовательно, об

ожидании повышения цен.

Биржа

Биржа – биржевой день фьючерсных торгов. Пример

применения нейросетей к анализу и предсказанию поведения

фондового рынка. Использованы поминутные данные за 7 часов

биржевых торгов (с 11 часов 15 минут до 18 часов 15 минут) –

всего 420 обучающих образцов за один день (26 ноября)

биржевых торгов. Предсказывалось возможное изменение курса

ценной бумаги на следующую минуту.

Демонстрационные файлы в поддиректории …\Lkoh:

971126.xls – файл данных; lkoh.wnp – файл проекта нейросети.

Для загрузки файла проекта задаются следующие параметры

колонки (B-U), начальная строка (5), конечная строка (424),

использовать первую строку как названия столбцов (Включено).

Результаты прогноза приведены на Листе 2 в столбце АН.

Работа с пакетом Excel Neural Package

Установка пакета

1. Создайте папку для работы. Пример: C:\Program\Office\

ENP.

2. Скопируйте в эту папку все файлы из директории

…\Neural tools package.

3. Запустите MS Excel.

4. Выберите команду Меню/Сервис/Надстройки

. В окне

Надстройки нажмите кнопку Обзор. В открывшемся окне

Обзор выберите в созданной папке файл NPackage.xla и

нажмите ОК.

5. В окне Надстройки в списке доступных надстроек

появится новый пункт Neural tools Package. Проверьте, что он

выбран. Нажмите ОК.

6. В левом верхнем углу экрана появится панель Neural

Analysis, на которой расположены кнопки доступных

нейроинструментов. Перетащите мышкой панель в любое

удобное место

экрана.

7. Возможны два варианта работы - вы впервые работаете с

данными или обученная ранее сеть используется для работы с

новыми данными.

Winnet – многослойный персептрон

Программа реализует классическую нейросетевую

архитектуру многослойного персептрона. Для обучения

используются модификации алгоритма обратного

распространения ошибки – Backpropagation Algorithm или

коротко - BackProp.

Первый этап – обучение персептрона

Это первый вариант работы с

системой. На этом этапе

происходит обучение нейросети на нашем наборе данных. В

результате сеть должна построить аппроксимацию многомерных

данных с заданной нами точностью, автоматически подбирая

свои внутренние параметры - веса нейронов («черный

нейроящик»). Для этого необходимо:

• Загрузить исходные данные в Excel любым способом.

• Запустить надстройку Excel Winnet.

• Определить

данные: что является входной информацией, а что –

выходной.

• Предобработать данные – осуществить их нормировку.

• Попутно можно оценить значимость различных входов для

выходной информации и, если необходимо, изменить

(удалить/добавить) входы.

• Создать нейросеть.

• Обучить нейросеть на учебном множестве и оценить работу на

тестовом множестве.

• Сохранить предсказанные данные в книге Excel.

• Если необходимо, сохранить обученную нейросеть.

• Закрыть Winnet.

Второй этап – дообучение и прогнозирование персептрона

Это второй вариант работы с системой. В этом случае

обученная на первом этапе работы нейросеть может

использоваться

для дообучения (повторного обучения с

модифицированными параметрами) или, что более важно - для

прогнозирования (получения новых данных). При этом данные

должны иметь такой же формат, какой использовался на первом

этапе в процессе обучения. Схема работы:

• Загрузить данные в Excel.

• Запустить Winnet.

• Загрузить созданный ранее проект.

• Выполнить необходимые

действия с сетью средствами Winnet.

• Сохранить новые данные в книге Excel.

• Сохранить измененный проект.

• Завершить сеанс работы.

Kohonen Map – самоорганизующаяся карта

Сети Кохонена используются для решения задач

кластеризации по заданным критериям (классификация,

группировка, представительная выборка и др.). В литературе они

получили красивое альтернативное название – самоорганизующиеся

карты Кохонена. Данная программа

реализует архитектуру

такой сети.

Первый этап – обучение нейросети Кохонена

На этом этапе необходимо:

• Загрузить данные в Excel любым способом и запустить

Kohonen Map.

• Определить входы, необходимые для работы сети Кохонена -

кластеризации.

• Предобработать данные – осуществить их нормировку.

• При желании - выбрать нужное число главных компонент.

• Создать и обучить сеть Кохонена.

• Провести анализ многомерных данных средствами Kohonen

Map.

• Сохранить обработанные данные и рисунки в книге Excel.

• Если необходимо, сохранить обученную нейросеть.

• Выйти из Kohonen Map.

Второй этап – дообучение и прогнозирование

На этом этапе созданная ранее и

сохраненная модель

используется для анализа новых или обновленных данных.

Последовательность действий:

• Загрузить данные в систему и запустить Kohonen Map.

• Загрузить созданный ранее проект.

• Провести анализ результатов встроенными средствами

Kohonen Map.

• При необходимости сохранить данные в книге Excel.

• Сохранить нейросеть (при необходимости) и выйти из

Kohonen Map.

Нейромодель «Вавилон»

Задача

«Инфляция-производство»

Вавилон - это нейросетевая модель типа «инфляция-

производство», использующая для обучения выборку из 32

поквартальных данных за 1995-2002 годы, сформированных на

основе бухгалтерской отчетности ООО «Вавилон»

(г. Чебоксары).

Задача – с помощью пакета Excel Neural Package построить

сеть на основе архитектуры многослойного перспетрона,

анализирующую наши данные и формирующую связь между

показателями экономического роста

данного предприятия

(входы модели)

х1 х2 х3 х4 х5 х6 х7

Выручка Себе-

стоимость

Прибыль от

реализации

Балансовая

прибыль

Стоим. осн.

фондов

Рентаб.

общая

Рентаб.

собственная