48999

Оценка стоимости квартир

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети НС имеет клеточную структуру и состоит из клеток – нейронов сгруппированных в нейронные ансамбли и сети. Искусственные нейронные сети Нейронные сети представляют собой сеть элементов математических нейронов связанных между собой синоптическими соединениями. Работа сети состоит в преобразовании входных сигналов во времени в результате чего меняется внутреннее состояние сети и формируются выходные воздействия.

Русский

2013-12-18

582.5 KB

2 чел.

Государственный университет

ВЫСШАЯ ШКОЛА ЭКОНОМИКИ

Пермский филиал

Факультет «Экономика»

Кафедра финансового менеджента

КУРСОВАЯ РАБОТА

на тему Оценка стоимости квартир

Студента:

Группы Э-03-1

Таймарова П.В.

Теплых Н.В.

Бубнов Д.С.

Преподаватель:

Ясницкий Л.Н.

Пермь 2007


Оглавление

[1] Введение

[2] Глава 1. Нейросетевые технологии

[2.1] 1.1. Нервные клетки и их модели

[2.2] 1.2. Искусственные нейронные сети

[2.3] 1.3. Применение персептрона в экономике

[3] Глава 2. Применение персептрона в оценке стоимости квартир

[3.1] 2.1. Проектирование модели

[3.2] 2.2. Исследование модели

[4] Список литературы

[5] Приложение 1

[6] Приложение 2

[7] Приложение 3

[8] Приложение 4


Введение

Наряду с развитием персональных ЭВМ, сетей ЭВМ и высокопроизводительных  суперЭВМ традиционной архитектуры в последние годы существенно повысился интерес к разработке и созданию компьютеров нетрадиционного типа и, прежде всего, нейрокомпьютеров. Связано это с тем, что, несмотря на высокую производительность современных суперЭВМ, приближающуюся к предельно допустимой, все еще остается много практически важных проблем, для решения которых нужны более мощные и более гибкие вычислительные средства. Они необходимы для глобального моделирования процессов в экосистемах, при решении задач нейрофизиологии, искусственного интеллекта, метеорологии, сейсмологии и т. п. Необходимы они и  при создании систем управления адаптивных интеллектуальных роботов.

Глава 1. Нейросетевые технологии

1.1. Нервные клетки и их модели

Нервная система (НС) человека и животных является важнейшей консолидирующей  системой организма. Ее основная функция заключается в поддержании внутренней гармонии организма и в организации его приспособительной деятельности в изменяющихся условиях внешней среды. НС имеет клеточную структуру и состоит из клеток – нейронов, сгруппированных в нейронные ансамбли и сети. Центральным отделом нервной системы является головной и спинной мозг.

С точки зрения кибернетики мозг представляет собой информационно-управляющую систему, которая при помощи рецепторов воспринимает информацию о внешней среде, обрабатывает эту информацию на основе генетической программы и индивидуального опыта, а также формирует управляющие воздействия на эффекторные (исполнительные) системы организма.

Данной структуре соответствует хорошо известная специализация нервных клеток на сенсорные (рецепторные), вставочные (интернейроны) и эффекторные (мотонейроны) нейроны. Рецепторные нейроны воспринимают энергетические воздействия внешней среды той или иной модальности (световые, акустические, тактильные и т. п.) и преобразуют их в импульсные потоки, передаваемые интернейронам. Взаимодействующие друг с другом  интернейроны осуществляют обработку поступившей информации, а мотонейроны передают результаты этой обработки непосредственно на исполнительные системы организма (мышцы, сосуды, железы внутренней секреции и т. п.).

Специфическая  особенность нервных клеток заключается в способности воспринимать, преобразовывать и передавать на другие  клетки нервное возбуждение в виде нервных импульсов. Входные импульсы поступают на дендриты или сому и оказывают на клетку либо возбуждающее, либо тормозное воздействие. В те моменты, когда суммарное возбуждение клетки превышает некоторую характерную для нее критическую величину, называемую порогом, в области аксона возникают нервные импульсы – спайки или, как их еще называют, потенциалы действия. Возникнув, спайк бездекрементно (без затухания) распространяется по аксону, поступает на дендриты других клеток  и вызывает их возбуждение или торможение. Такая связь называется аксо-дендритной, причем возбуждающий или тормозящий характер воздействия нервного импульса определяется свойствами контакта двух клеток. Этот контакт называется синаптическим, а пространство между мембранами контактирующих клеток называется синаптической щелью.

Количество синаптических входов у отдельного интернейрона достигает 150 тысяч. Поэтому общее число межклеточных контактов очень велико. Например, в мозге человека при  1011 нейронах количество связей между ними оценивается астрономическим числом 1014. Если дополнительно учесть, что синаптические связи имеют электрический и химический характер, что наряду с аксо-дендритными связями возможны синаптические контакты между дендритами, сомами и аксонами различных клеток, что каждая связь может быть возбуждающей или тормозной, а также то, что эффективность синаптических связей  в процессе жизнедеятельности меняется, то грандиозная сложность нейронных сетей у высокоразвитых животных и человека становится очевидной.

1.2. Искусственные нейронные сети

Нейронные сети, представляют собой сеть элементов — математических нейронов, связанных между собой синоптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Обычно нейронные сети оперирует цифровыми  величинами.

Искусственные нейросети обладают рядом свойств, присущих биологическим нейросетям, в том числе и человеческому мозгу. Главное свойство нейросетей – способность к обучению. С помощью нейросети можно найти решение, не зная правил, а имея несколько примеров. Нейросети используют подход к решению задач более близкий к человеческому, чем традиционные вычисления.

Другое важное свойство нейросетей – способность находить решение, основываясь на данных, которые могут быть искаженными. Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети1. В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами:

  •  простой обрабатывающий элемент – нейрон;
  •   очень большое число нейронов участвует в обработке информации;
  •  один нейрон связан с большим числом других нейронов (глобальные связи), изменяющиеся по весу связи между нейронами;
  •  массированная параллельность обработки информации.

Как уже было сказано, прототипом для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков - дендритов, по которым в нейрон поступают входные сигналы, и отросток иного рода - аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрита и аксона называется синапсом. Упрощенно функционирование нейрона можно представить следующим образом: нейрон получает от дендритов набор (вектор) входных сигналов. В теле нейрона оценивается суммарное значение входных сигналов. Однако входы нейрона неравнозначны. Каждый вход характеризуется некоторым весовым коэффициентом, определяющим важность поступающей по нему информации. Таким образом, нейрон не просто суммирует значения входных сигналов, а вычисляет скалярное произведение вектора входных сигналов и вектора весовых коэффициентов. Далее нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Если оно не превышает некоторого заданного порога, то выходной сигнал не формируется вовсе - нейрон "не срабатывает". И затем выходной сигнал поступает на аксон и передается дендритам других нейронов2.

Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидная. Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, стал ли суммарный сигнал на входе нейрона больше или меньше некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона. Для сигмоидных элементов в зависимости от входного сигнала выход варьируется непрерывно (но не линейно) по мере изменения входа. Сигмоидные элементы имеют больше сходства с реальными нейронами, чем линейные или пороговые, но любой из этих типов можно рассматривать лишь как приближение.

Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию.

Прежде чем искусственные нейронные сети можно будет использовать там, где поставлены на карту человеческая жизнь или ценное имущество, должны быть решены вопросы, относящиеся к их надежности.

Подобно людям, структуру мозга которых они копируют, искусственные нейронные сети сохраняют в определенной мере непредсказуемость. Единственный способ точно знать выход состоит в испытании всех возможных входных сигналов. В большой сети такая полная проверка практически неосуществима и должны использоваться статистические методы для оценки функционирования. В некоторых случаях это недопустимо. Например, что является допустимым уровнем ошибок для сети, управляющей системой космической обороны? Большинство людей скажет, любая ошибка недопустима, так как ведет к огромному числу жертв и разрушений. Это отношение не меняется от того обстоятельства, что человек в подобной ситуации также может допускать ошибки.

Проблема возникает из-за допущения полной безошибочности компьютеров. Так как искусственные нейронные сети иногда будут совершать ошибки даже при правильном функционировании, то, как ощущается многими, это ведет к ненадежности – качеству, которое мы считаем недопустимым для наших машин.

Сходная трудность заключается в неспособности традиционных искусственных нейронных сетей "объяснить", как они решают задачу. Внутреннее представление, получающееся в результате обучения, часто настолько сложно, что его невозможно проанализировать, за исключением самых простых случаев. Это напоминает нашу неспособность объяснить, как мы узнаем человека, несмотря на различие в расстоянии, угле, освещении и на прошедшие годы. Экспертная система может проследить процесс своих рассуждений в обратном порядке, так что человек может проверить ее на разумность.

Теория искусственных нейронных сетей в настоящее время развивается стремительно.

1.3. Применение персептрона в экономике

- Прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций, фьючерсные контракты и др.)

  •   Прогнозирование кросс-курса валют
  •   Прогнозирование котировок и спроса акций для биржевых спекуляций (не для долгосрочного вложения)
  •   Прогнозирование остатков средств на корреспондентских счетах банка.

- Страховая деятельность банков.

-Определение цен на недвижимость.

- Прогнозирование банкротств на основе нейросетевой системы распознавания.

  •  анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)
    •  анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

- Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

  •  выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели
    •   предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов
      •  распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания
        •  определение соотношения котировок и спроса

- Применение нейронных сетей к задачам биржевой деятельности.

- Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

- Предсказание результатов займов.

  •  определение возможности кредитования предприятий
  •   предоставление кредитов и займов без залога

При применении нейронных сетей необходимо решить следующие задачи:

  1.  Постановка задачи, пригодной для решения с помощью нейронной сети.
  2.  Выбор модели ИНС.
  3.  Подготовка исходных данных для обучения ИНС.
  4.  Обучение ИНС.
  5.  Собственно решение задачи с помощью обученной ИНС

Глава 2. Применение персептрона в оценке стоимости квартир

2.1. Проектирование модели

Были подготовлены входные и выходные параметры. Удалены все незначимые для выходных векторов параметры (см. Приложение 1). Нечисловая информация  закодирована в числовом виде.

Входные параметры:

X1 – район

Свердловский - 1

Ленинский - 2

Мотовилихинский - 3

Орджоникидзевский - 4

Дзержинский - 5

Индустриальный - 6

Кировский - 7

X2 – этаж, на котором расположена квартира

X3 – этажность дома

X4 – количество комнат

X5 – общая площадь квартиры (числовое значение кв.м.)

X6 – жилая площадь квартиры (числовое значение кв.м.)

X7 – площадь кухни (числовое значение кв.м.)

X8 – ТЗ затройки

Другой - 0

ХР - 1

БР - 2

ИП - 3

МС - 4

УП - 5

СП - 6

ЛП - 7

ПГ - 8

МГ - 9

НТ - 10

X9 – материал, из которого построен дом

Другой - 0

К - 1

П - 2

М1 - 3

Д - 4

ШБ - 5

X10 – наличие балкона или лоджии

Нет - 0

БЛЗ - 1

БЗ - 2

ЛЗ - 3

Л - 4

Б -5

X11 – телефон

нет телефона - 0

есть телефон  - 1

Выходные параметры:

Y1 – стоимость квартиры (в тыс. руб.)

2.2. Исследование модели

После определения количества обучающих примеров в выборке необходимо определить возможное количество нейронов на внутреннем слое персептрона. Для этого использовалась формула Арнольда–Колмогорова–Хехт–Нильсена и были получены следующие результаты:

Необходимое количество синаптических весов

14,55402 ≤ NW ≤ 148,7273

Количество нейронов

1,212835 ≤ N ≤ 12,39394

При проектировании персептрона необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой ε, а вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой εT. При увеличении числа нейронов N на внутреннем слое персептрона погрешность обучения   обычно падает, тогда как погрешность обобщения сначала падает, а затем, начиная с некоторого оптимального значения N=Nопт, возрастает.

Для выявления Nопт из найденного промежутка необходимо определить такое N при котором ошибка тестирования будет минимальна.

Для достижения данной цели методом перебора количества нейронов, последующего обучения персептрона на 10 000 эпохах и тестировании его на тестирующей выборке было найдено количество нейронов, при котором персептрон вычисляет с минимальной погрешностью.

Обучающую и тестирующую выборки см. в Приложении 2, графики ошибок обучения и обобщения см. в Приложении 3.

Таблица  Ошибки обучения и тестирования (10 000 эпох)

Кол-во нейронов

Обучение

Тестирование

Макс. ошибка

Макс. ошибка

Средняя ошибка

Ошибка обобщения

Ошибка обобщения (%)

1

2 921,410135

0,178978

0,000836

535,6934769

0,305467007

2

1 783,185673

0,107347

0,000383

410,9405597

0,234329497

3

1 134,159476

0,068274

0,000235

355,0087146

0,202435636

4

985,212218

0,058207

0,000219

370,7510347

0,211412335

5

1 948,988750

0,115309

0,000334

367,2927196

0,20944031

6

1 428,896741

0,083315

0,000231

322,7782914

0,184056971

7

1 034,000525

0,060947

0,000215

387,7594361

0,221110989

8

1 102,750064

0,065149

0,000157

701,309157

0,399905577

9

956,475983

0,057009

0,000170

363,7825744

0,207438729

10

1 181,827859

0,069835

0,000206

296,5032912

0,16907425

11

934,233815

0,055143

0,000140

347,9953606

0,19843643

12

745,905208

0,044590

0,000107

320,3130634

0,182651231

13

701,267663

0,041324

0,000124

363,4130125

0,207227995

Как видно из таблицы Nопт равняется 10 нейронам. Следовательно, именно такое число нейронов на внутреннем слое будет использоваться при определении цен на жилую недвижимость.

После этого персептрон был обучен на 200 000 эпохах. Максимальная ошибка обучения составила 286,896609 тыс. рублей (1,6858 %). Средняя ошибка составила 0,0017 % (см. график в Приложении 4).

В последствии персептрон был применен к тестирующей выборке. Ошибка обобщения в данном случае составила 9,7117031 %.

Исходя из вышеперечисленных значений ошибки можно сделать вывод о том, что модель неплохо реализуется с помощью нейронной сети.


Список литературы

  1.  Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005.
  2.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с


Приложение 1

Значимость факторов

«После первоначального создания и обучения нейронной сети, незначимые параметры могут быть выявлены двумя способами.

  1.  Путем анализа значений весовых коэффициентов входных нейронов. Если окажется, что у какого-либо входного нейрона синаптические веса значительно меньше, чем у других нейронов, то этот входной нейрон скорее всего соответствует незначимому параметру вектора X.
  2.  Путем возмущения значений входных параметров и анализа реакции сети на эти возмущения. Если сеть не реагирует или слабо реагирует на изменения значения какого-либо входного параметра, то этот параметр не является значимым.»3

Для определения незначимых факторов воспользуемся вторым методом. Будем менять значения одного из параметров, другие, при этом оставляя неизменными. При значительном отклонении результирующего показателя измененный фактор будет считаться значимым, в противном случае – незначимым

Таблица  Значимость факторов

Параметр

Отклонение результирующего показателя

Значимость параметра

Район

Значимо

Значим

Этаж

Значимо

Значим

Этажность

Значим

Значим

Количество комнат

Значимо

Значим

Общая площадь

Значимо

Значим

Жилая площадь

Значимо

Значим

Площадь кухни

Значимо

Значим

ТЗ застройки

Значимо

Значим

Материал

Значимо

Значим

Балкон/лоджия

Значимо

Значим

Телефон

Значимо

Значим


Приложение 2

Таблица  Обучающая выборка

Район

Этаж

Этажность

Кол-во комнат

Общая площадь

Жилая площадь

Площадь

кухни

Т3 застройки

Материал

Балкон/

лоджия

Телефон

Цена

1

7

9

1

35,3

18,2

9

5

2

2

1

1750

1

2

5

1

24,2

13

6

4

1

5

0

820

1

4

5

1

31

17,5

6

2

0

2

0

1300

1

5

5

1

30,9

17,4

5,7

2

2

5

1

1450

2

3

5

1

34,1

18,8

8

1

1

5

1

1650

2

1

5

1

30,7

18

6

1

1

0

1

1600

2

5

5

1

29

17

6

1

1

2

1

1450

2

1

2

1

30

18

12

8

1

0

0

1200

3

1

5

1

29

17,9

5

4

1

0

0

1200

3

1

2

1

31

18

10

0

4

0

0

380

3

1

10

1

36

17

9

5

2

0

0

1400

3

4

5

1

36,4

18,7

7,5

4

1

0

0

1280

4

1

1

1

38

19

8

8

5

0

0

870

4

5

5

1

30,5

16,5

6

2

1

0

0

1150

4

4

5

1

31

18

6

2

2

5

0

1040

4

2

5

1

31

17,5

6

1

1

2

0

1100

5

13

14

1

35

17

9

5

1

3

0

1700

5

13

14

1

35,3

17,6

9

0

1

3

0

1750

5

3

5

1

31

19

6

2

2

0

0

1600

5

5

5

1

31

18

6

1

1

0

1

1450

6

1

5

1

30

17

6

1

1

2

1

1380

6

4

5

1

31,3

18,5

6

2

2

5

0

1450

6

8

9

1

33,4

19,8

7

2

1

2

1

1600

6

5

5

1

31

17

6

2

2

5

1

1300

7

1

5

1

33,9

18

6,1

7

1

5

1

1130

7

8

9

1

41,7

16,6

8,7

5

2

0

1

1200

7

7

9

1

42,1

16,3

9

0

2

4

1

1500

7

1

9

1

38

16

8,8

0

0

4

1

1350

1

2

2

2

33,2

21,4

8

10

1

0

0

450

1

8

10

2

60

36

9

3

1

5

0

3200

1

4

5

2

45

29

6

1

1

2

0

1750

1

5

5

2

48,5

28,6

8,2

7

1

4

1

1200

2

4

5

2

60

34

11

8

1

0

0

2330

2

4

5

2

54

30

9

5

1

5

0

2830

2

7

92

2

55,5

32,7

7,5

5

1

4

0

3150

2

3

5

2

49,3

27,5

10

7

1

3

1

2600

3

1

1

2

31

23,1

7,8

0

5

0

0

680

3

2

10

2

56

31

9

5

2

4

1

1950

3

1

5

2

47

32

6

2

2

0

0

1450

3

2

17

2

80

39

14

3

1

4

0

3570

4

1

10

2

56

31

8,8

5

0

4

1

1150

4

1

2

2

44

27

6

1

5

0

0

950

4

5

5

2

48,7

28,5

8,2

7

1

4

1

1400

4

5

5

2

45

32

6

2

2

2

1

1355

5

1

2

2

48,6

31,5

6,2

8

1

0

0

1300

5

7

9

2

85

50

15

0

1

3

0

2700

5

1

5

2

42

30,6

6

2

2

0

1

1660

5

2

5

2

44

30,6

6

1

1

2

1

1660

6

5

5

2

44

32

6

1

1

5

1

1650

6

2

2

2

42

27

6

0

1

2

0

1180

6

7

9

2

45

27

8

6

2

0

0

1900

6

5

5

2

48,1

33,4

6,2

2

2

2

1

1720

7

9

9

2

43,5

28

8

6

2

3

0

1640

7

3

9

2

43

29

7

6

2

5

1

1550

7

5

9

2

45

28

10

6

2

3

1

1600

7

3

5

2

37,8

21,8

6,6

4

2

2

1

1380

1

2

5

3

51

40

6

2

1

2

0

2300

1

4

5

3

48

33

6

0

0

0

0

1600

1

1

5

3

60

47

6,3

0

0

0

0

1900

1

6

9

3

57

39

8

6

2

4

0

1999

2

2

4

3

72

50

9

0

1

0

0

3200

2

7

10

3

103

60

12

5

1

4

0

6000

2

4

17

3

80,8

46,1

9,6

5

1

3

1

4300

2

1

9

3

62

43

8

6

2

0

0

2400

3

2

3

3

80

55

7,6

8

1

5

0

2000

3

3

3

3

77,9

53,3

7,4

8

1

5

1

2130

3

1

5

3

61

39

7

2

1

0

1

1570

3

1

1

3

46,5

32,1

7,3

0

4

0

0

1800

4

2

2

3

100

60

10

8

1

5

1

1850

4

5

10

3

65

41

9

5

2

4

1

2100

4

1

2

3

56,6

37,1

6,7

8

5

0

1

1300

4

5

5

3

42

31

5

1

1

0

0

1300

5

2

9

3

65

37

8

5

1

4

1

2100

5

7

9

3

67

45

9

5

2

3

1

2200

5

1

3

3

65

38

10

8

0

0

1

2000

5

5

5

3

47,9

33,4

6

2

2

5

0

1800

6

1

5

3

60,3

44,5

6,2

2

2

0

0

1750

6

1

5

3

56

45

6

1

1

0

1

2200

6

5

5

3

44

32

6

1

1

5

1

1650

6

2

2

3

80,4

53

5,5

8

5

2

1

1600

7

7

9

3

68,2

43,2

8,8

5

2

5

0

2850

7

1

10

3

68

45

8,5

5

2

0

1

1900

7

9

10

3

70

40

10

5

1

4

1

1950

7

4

10

3

67

44

9

5

2

5

1

2200

1

4

5

4

140

86

12

8

1

5

0

5500

1

9

16

4

150

80

16

3

1

4

0

8100

1

2

5

4

62

44

6

2

2

2

1

1750

1

1

16

4

88

63,6

8,9

5

1

2

1

2700

2

4

4

4

75

55,9

10

8

1

0

0

3000

2

3

3

4

126,78

65

13

3

1

3

1

6300

2

1

2

4

69,1

46,1

9,5

0

1

0

0

2580

2

8

16

4

90,2

54

11,1

5

1

2

0

4200

3

8

10

4

86

55

9

5

2

3

0

2200

3

3

16

4

143

76

14

3

1

2

0

6200

3

12

12

4

144

79

14,3

0

0

0

0

8000

3

8

16

4

83,82

51,3

9

5

2

2

0

3600

4

7

16

4

80,4

51,4

8,7

5

2

4

0

2700

5

14

14

4

137,2

61,3

43,6

5

1

3

1

6000

5

1

5

4

61

43

6

2

2

0

1

2400

5

4

5

4

61

45

6,2

2

2

2

1

2100

5

3

10

4

77

49,1

9

5

2

3

0

2400

6

1

9

4

75

49

9

5

2

0

0

2400

6

4

5

4

61

44,4

6

2

2

5

0

1900

6

2

5

4

61

45

6

2

2

5

1

2000

6

2

9

4

68

41

9

5

2

0

1

2450

7

2

2

4

86,9

64,2

6,5

0

5

0

1

1380

7

2

2

4

86

60

8

0

5

0

1

1620

7

6

9

4

82

52,5

9

5

2

4

1

2100

7

1

5

4

79,8

56

7,4

7

1

3

1

2100

1

4

5

5

93,3

58,5

11

1

1

0

0

2400

2

10

14

5

190,8

112

18,5

3

1

4

0

10800

5

4

4

5

232

130

15,2

5

0

4

1

8400

2

7

7

6

220

120

36

3

1

1

1

17400

6

1

5

6

103

70

20

0

0

0

0

4000

Таблица  Тестирующая выборка

Район

Этаж

Этажность

Кол-во комнат

Общая площадь

Жилая площадь

Площадь

кухни

Т3 застройки

Материал

Балкон/

лоджия

Телефон

Цена

1

5

5

1

30,9

17,4

5,7

2

2

5

1

1450

2

1

2

1

30

18

12

8

1

0

0

1200

3

4

5

1

36,4

18,7

7,5

4

1

0

0

1280

4

2

5

1

31

17,5

6

1

1

2

0

1100

5

5

5

1

31

18

6

1

1

0

1

1450

6

5

5

1

31

17

6

2

2

5

1

1300

7

1

9

1

38

16

8,8

0

0

4

1

1350

1

5

5

2

48,5

28,6

8,2

7

1

4

1

1200

2

3

5

2

49,3

27,5

10

7

1

3

1

2600

3

2

17

2

80

39

14

3

1

4

0

3570

4

5

5

2

45

32

6

2

2

2

1

1355

5

2

5

2

44

30,6

6

1

1

2

1

1660

6

5

5

2

48,1

33,4

6,2

2

2

2

1

1720

7

3

5

2

37,8

21,8

6,6

4

2

2

1

1380

1

6

9

3

57

39

8

6

2

4

0

1999

2

1

9

3

62

43

8

6

2

0

0

2400

3

1

1

3

46,5

32,1

7,3

0

4

0

0

1800

4

5

5

3

42

31

5

1

1

0

0

1300

5

5

5

3

47,9

33,4

6

2

2

5

0

1800

6

2

2

3

80,4

53

5,5

8

5

2

1

1600

7

4

10

3

67

44

9

5

2

5

1

2200

1

1

16

4

88

63,6

8,9

5

1

2

1

2700

2

8

16

4

90,2

54

11,1

5

1

2

0

4200

3

8

16

4

83,82

51,3

9

5

2

2

0

3600

5

3

10

4

77

49,1

9

5

2

3

0

2400

6

2

9

4

68

41

9

5

2

0

1

2450

7

1

5

4

79,8

56

7,4

7

1

3

1

2100

6

1

5

5

97

75

6

2

2

0

1

2900


Приложение 3

Рисунок

Рисунок


Приложение 4

Рисунок  Ошибка обучения персептрона с 10 нейронами на внутреннем слое

1 Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.

2 Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005.

3 Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005.


 

А также другие работы, которые могут Вас заинтересовать

9340. ПРОКУРОРСКИЙ НАДЗОР ЗА ЗАКОННОСТЬЮ ИСПОЛНЕНИЯ ПОСТАНОВЛЕНИЙ ПО ДЕЛАМ ОБ АДМИНИСТРАТИВНЫХ ПРАВОНАРУШЕНИЯХ 520.5 KB
  В методическом пособии рассматриваются вопросы прокурорского надзора за законностью исполнения постановлений по делам об административных правонарушениях. Дана характеристика законодательных и иных нормативных правовых актов, регулирующих указанную ...
9341. НОРМАЛЬНОЕ ПОЛЕ И ОПРЕДЕЛЕНИЕ АНОМАЛЬНОГО ПОТЕНЦИАЛА 428.5 KB
  НОРМАЛЬНОЕ ПОЛЕ И ОПРЕДЕЛЕНИЕ АНОМАЛЬНОГО ПОТЕНЦИАЛА текст лекций по геодезической гравиметрии ГЛАВА 1. НОРМАЛЬНОЕ ГРАВИТАЦИОННОЕ ПОЛЕ §1.1 ПОНЯТИЕ О НОРМАЛЬНОМ ПОЛЕ И СПОСОБАХ ЕГО ВЫБОРА При изучении гравитационного поля Земли обыч...
9342. Гидравлический расчет нефтебазовых коммуникаций 294.5 KB
  Гидравлический расчет нефтебазовых коммуникаций Задание. Вариант 1. Выполнить гидравлический расчет технологических коммуникаций для слива нефтепродуктов из железнодорожных цистерн через нижнее сливное устройство при следующих исходных данных: Gмес....
9343. Разработка и расчет себестоимости автомобильных грузовых перевозок по маршруту Нерюнгри - Алдан - Томмот - Якутск 384 KB
  СОДЕРЖАНИЕ Введение Характеристика и основные структурно-экономические показатели ОАО НПАТП Обзорная характеристика исследуемого предприятия Эксплуатационные показатели работы предприятия Количественный и качественный состав водителей Организация тр...
9344. Краткий конспект лекций по дисциплине Теория бухгалтерского учета 523 KB
  Краткий конспект лекций по дисциплине «Теория бухгалтерского учета» для студентов ЗФО специальности «Бухгалтерский учет, анализ и аудит» Тема 1 СУЩНОСТЬ УЧЕТА И ЕГО РОЛЬ В СИСТЕМЕ УПРАВЛЕНИЯ ОБЩЕСТВОМ 1.1. Общее понятие хозяйственного учета. Историч...
9345. СТРОИТЕЛЬСТВО И РЕМОНТ ПРОМЫШЛЕННЫХ ПЕЧЕЙ УЧЕБНОЕ ПОСОБИЕ 665.5 KB
  КОСТЮК В.А., СУЩЕНКО А.В. Строительство и ремонт промышленных печей Учебное пособие Мариуполь, 2009 В учебном пособии описаны огнеупорные и строительные материалы используемые при ремонте и строительстве металлургических печей. Изложены правил...
9346. РЫНОК ЦЕННЫХ БУМАГ Словарь основных терминов и понятий 793 KB
  рынок ценных бумаг Словарь основных терминов и понятий А Аваль - вексельное поручительство, суть которого заключается в том, что какое-то лицо берет на себя ответственность за платеж по векселю одного или нескольких ответственных по векселю лиц...
9347. Стратегии эксплуатации оборудования 417 KB
  Стратегии эксплуатации оборудования Обслуживание по отказам. Основная стратегия до 50-х годов ХХ века. Суть стратегии состоит в том, что замена отказавших деталей осуществлялась только после отказа оборудования, выхода его из строя в случайные...