Отчёт по практике на тему Преддипломная практика (тема диплома- «Проектирование и реализация приложений для поддержки принятия решений»)

Содержание:

Введение 3
1 Анализ существующих аналитических методов для СППР 4
1.1 Линейная регрессия 4
2.2 Логистическая регрессия 5
1.3 Деревья принятия решений 6
1.4 Теорема Байеса 7
1.5 K-средних (k-means) 9
1.6 K-ближайших соседей (KNN) 10
1.7 Анализ алгоритма Rete 11
2 Определение наиболее оптимального аналитического метода для СППР с использованием метода анализа иерархии 13
Заключение 18
Литература 19

Введение:

Тема магистерской работы «Проектирование и реализация приложения для поддержки принятия решений».
Использование систем поддержки принятия решений выходит на новый уровень – степень их применения сильно возрастает, и в некоторых сферах данные системы являются важным элементом, влияющим на принятия того или иного решения. Системы поддержки принятия решений представляют собой сложный механизм, решение системы выносится на основании аналитического метода, который основан на использовании математических или логических зависимостей в виде формул, графиков, таблиц, умозаключений.
В рамках преддипломной практики ставится задача анализа существующих аналитических методов, которые можно применить для построения системы поддержки принятия решений и определения наиболее оптимального из рассмотренных методов.

Заключение:

Выбор оптимального аналитического метода для системы поддержки принятия решений является важной задачей, которая в дальнейшем определяет условия функционирования СППР.
Во время прохождения преддипломной практики были рассмотрены следующие аналитические методы:
– линейная регрессия;
– логистическая регрессия;
– деревья принятия решений;
– теорема (формула) Байеса;
– алгоритм K-средних;
– алгоритм K-ближайших соседей;
– алгоритм Rete.
С использованием метода анализа иерархии было определено, что наиболее оптимальным алгоритмом для системы поддержки принятия решений будет формула Байеса, данный алгоритм имеет высокую скорость и не имеет ограничений относительно количества данных.

Фрагмент текста работы:

Анализ существующих аналитических методов для СППР

1.1 Линейная регрессия

Линейная регрессия один из наиболее известных и понятных алгоритмов в статистике и машинном обучении.
Прогностическое моделирование в первую очередь касается минимизации ошибки модели или более точного прогнозирования .
Линейную регрессию можно представить в виде уравнения, которое описывает прямую, наиболее точно показывающую взаимосвязь между входными переменными X и выходными переменными Y.
Предполагается, что связь между объясняемой переменной и объясняющей переменной является линейной. Как и в корреляционном анализе, если одно значение увеличивается, то другое увеличивается (положительная корреляция) или уменьшается (отрицательная корреляция). В линейной регрессии предполагается, что увеличение одной переменной (предиктор, предикторы) сопровождается увеличением или уменьшением второй переменной. Более того, название линейной регрессии относится к функции регрессии как линейной функции, то есть y = bx + a.
Целью линейного регрессионного анализа является вычисление таких коэффициентов регрессии (коэффициентов в линейной модели), чтобы модель наилучшим образом прогнозировала значение зависимой переменной, чтобы ошибка оценки была как можно меньше. Таким образом, регрессионный анализ «сопоставляет» такую прямую линию с респондентами (линейная зависимость), так что модель настолько хороша, насколько это возможно (обременена наименьшей случайной ошибкой) .
Чтобы определить линию регрессии и, следовательно, модель модели линейной регрессии, необходимо рассчитать коэффициенты прямой и a и b. Для этой цели используется метод наименьших квадратов. Не вдаваясь в подробности вычислений, этот метод предоставляет коэффициенты a и b, которые формируют линию регрессии наилучшим образом подходящей для собранных данных. Возвращаясь к шаблонам на прямой линии, регрессионный анализ вычисляет коэффициент b, называемый коэффициентом регрессии, и значение a, называемое свободным выражением.