Метод группового учета аргументов

Содержание

1.    Цели работы.. 3

2.    Задание. 3

3.    Исходные данные. 3

4.    Ход выполнения работы.. 3

5.    Вывод. 10

Цели работы

Изучение особенностей применения метода группового учета аргументов

1.  Задание

  1. Закрепить на практике теоретические знания об алгоритме и особенностях применения метода группового учета аргументов.

  2. Изучить функционал модуля, позволяющего генерировать совокупности моделей на основании подготовленных данных, представленных в виде файлов данных формата .xls.

  3. В соответствии с вариантом сгенерировать множества моделей, проана-лизировать их характеристики, выбрать наилучшие.

2.  Исходные данные

Исходные данные  находятся на первом листе файла Отчета по ЛР2-3 СИИ.xls (Шаг 1)

3.  Ход выполнения работы

1.  Получение необходимых сегментов данных и объединение их в один массив данных (Шаг 2, Шаг 3)

2. Реорганизация полученного массива данных и построение графиков зависимости выходных параметров от входных. Графики построены на страницах (граф_1 _Погода, граф_2 _вода)

Выводы на основе полученных графиков по погоде:

1.  Между параметрами WDSP и TEMP_C нету функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о WDSP лучше подходят нейронные сети.

2.  График зависимости TEMP_C от VISIB показывает кластеризация данных т.е прогноз TEMP_C на основе VISIB будет иметь высокую точность.

3.  На графиках, показывающих влияние STP, DEWP на TEMP_C можно заметить линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

4.  И последний график зависимости TEMP_C(вх) на TEMP_C он немного по лучше чем график зависимости WDSP, но на нем не наблюдается кластеризация данных по этому как и в первом графики лучше использовать нейронные сети.

Выводы на основе полученных графиков по воде:

1.  На графиках, показывающих влияние параметров DEWP, TEMP_C на Troubl_r прослеживаются линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

2.  Между параметрами pH_r и Troubl_r нет функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о pH_r лучше подходят нейронные сети.

3.  График зависимости параметра Alcal_r на Troubl_r возможно прослеживание линейной зависимости, но и с другой стороны можно сказать о кластеризации данных в разных областях.

4.  На графиках зависимости Troubl_r от Troubl_r(вх) прослеживается кластеризация данных поэтому прогноз значений Troubl_r на основе данных об этих параметрах будет иметь высокую точность.

3. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

4.4. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

        4.4.1. Модели, полученные на основании данных о вода.

№ экспери- мента	№ модели	Max степень	Суммар- ная степень	Кол-во перемен- ных	Delta	Степень свободы	Размер об. мн-ва
1	3	4	35	8	4,94357782210931	15	60
1	2	4	34	8	4,94353392701101	15	60
1	1	4	33	8	4,94351753819136	15	60
2	3	5	38	8	5,3013763186503	20	65
2	2	5	39	8	5,30133066735207	20	65
2	1	4	38	8	5,30104912935546	20	65
3	4	6	36	7	5,22616072211147	25	70
3	2	6	38	7	5,22423607129071	25	70
3	1	6	37	7	5,2230314251754	25	70
4	3	2	15	7	6,96040823866555	15	65
4	2	2	16	7	6,96017212646176	15	65
4	1	3	16	7	6,95978634400031	15	65
5	3	4	39	8	4,82045819021104	25	60
5	2	4	38	8	4,82040219656841	25	60
5	1	4	37	8	4,82036180273467	25	60