Abstract
Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.
Highlights
Ключові слова: ансамбль; алгоритми без навчання; зміщення поверхонь відгуку; нейронна мережа узагальненої регресії; прогнозування; електронна комерція
З підвищенням попиту на власний засіб пересування, актуальною стала задача прогнозування вартості автомобіля, особливо коли йдеться про вживаний автомобіль
Результати експерименту у вигляді значень RMSE як для режиму підготовки, так і застосування ансамблю візуалізовано на рис. 2
Summary
; де k = 1, kmax ; беручи до уваги, що у формулі для розрахунків yiG,k з першої вибірки вилучається i-й вектор, який розглядаємо за п.3.2. ⇒ yi , де i = 1, N ; k = 1, kmax ; j = 1, n. Виконується після навчання лінійної ШНМ на векторах першої вибірки. На базі рухомого вектора з другої вибірки формуємо kmax додаткових вхідних векторів з використанням наборів відхилень, введених для першої вибірки ...xu,k, j... Для кожного додаткового вектора другої вибірки знаходимо прогнозоване значення методом GRNN:. Розроблений ансамбль застосовувався до розв'язання задачі прогнозування цін на вживані автомобілі з використанням реальної вибірки даних (Corolla, 2019). Прогнозування ціни відбувалося на підставі дев'яти незалежних ознак, які подано у табл. Прогнозування ціни відбувалося на підставі дев'яти незалежних ознак, які подано у табл. 1
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
