Нейронная сеть на Azure

У меня была заблокирована учетная запись Azure после экспериментов с ним на предмете Облачные технологии. Поэтому преподаватель разрешил мне сделать данную работу совместно с Иваном Ворошиловым с его аккаунта. Поэтому на скринах ниже будет его имя.

С помощью Azure Machine Learning Studio был разработана аналитическая модель для предсказания цен на автомобили на основании различных показателей.

Шаг 1: Был создан новый эксперимент «Automobile price prediction», добавлен модуль данных, рассмотрен общий вид данных.

Шаг 2: Из данных нужно исключить normalized-losses (Нормированные потери) Затем происходит процесс создания модуля, удаляющего строки с недостающими значениями. После этого был запущен эксперимент для проверки. Очищенные данные будут использованы в прогнозной модели.

Шаг 3: Для прогнозирования был выбран следующий набор признаков: make, body-style, wheel-base, engine-size, horsepower, peak-rpm, highway-mpg, price.

Шаг 4: Модель строится по 75% данных (для обучения модели), 25% данных идет на тестирование. Затем запускается эксперимент для проверки.

Шаг 5: Для алгоритма обучения применяется линейная регрессия. Цена выступает в роли прогнозной переменной. Затем происходит запуск эксперимента для проверки. На выходе имеем обученную регрессионную модель.

Шаг 6: На обучение модели было потрачено 75% данных, теперь ее можно применить для оценки оставшихся 25% данных. После завершения оценки оставшихся данных, необходимо запустить эксперимент.

Шаг 7: Посмотреть на оценку 25% данных можно через блок Visualize.

Шаг 8: После проверки качества результатов осуществляется запуск эксперимента.

Шаг 9: Затем проверяются выходные данные проверки полученных результатов через Visualize.

Для нашей модели будет выведена следующая статистика.

• Средняя абсолютная погрешность. Среднее значение абсолютной погрешности (погрешность — это разница между спрогнозированным и фактическим значением).
• Среднеквадратичное отклонение. Квадратный корень из среднего значения возведенных в квадрат арифметических отклонений спрогнозированных значений тестового набора данных.
• Относительное арифметическое отклонение. Среднее арифметическое отклонение по отношению к абсолютной разнице между фактическими значениями и средним арифметическим всех фактических значений.
• Относительное среднеквадратичное отклонение. Среднее арифметическое среднеквадратичных отклонений по отношению к абсолютной разнице между фактическими значениями и средним арифметическим всех фактических значений.
• Коэффициент смешанной корреляции (R в квадрате). Статистический показатель, который оценивает соответствие модели данным.

Чем меньше значение каждой погрешности, тем лучше. Меньшее значение указывает на то, что прогноз лучше соответствует фактическим значениям. Для показателя коэффициент смешанной корреляции чем ближе его значение к единице (1,0), тем точнее прогноз.