Ансамбль нейромереж GRNN на підставі зміщених поверхонь відгуку для задач електронної комерції
Анотація
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.
Посилання
Babichev, S., Lytvynenko, V., Gozhyj, A., Korobchynskyi, M., & Voronenko, M. (2018). A Fuzzy Model for Gene Expression Profiles Reducing Based on the Complex Use of Statistical Criteria and Shannon Entropy. Advances in Computer Science for Engineering and Education, 545–554.
Barmak, O. V., Manziuk, E. A., Krak, Yu. V., & Kulias, A. I. (2018). Pryntsypy ta pidkhody do formuvannia ansambliv klasyfikatoriv na pidstavi ahrehatuvannia yikh rezultativ. Shtuchnyi intelekt, 3(81), 64 p. [In Ukrainian].
Bodyanskiy, Y. V., Tyshchenko, O. K., & Kopaliani, D. S. (2018). An evolving connectionist system for data stream fuzzy clustering and its online learning. Neurocomputing, 262, 41–56. https://doi.org/10.1016/j.neucom.2017.03.081
Corolla. (2019). Toyota Corolla Prices Regression Analysis. Retrieved from: https://www.kaggle.com/tolgahancepel/toyota-corolla-prices-regression-analysis. (Accessed: 28.09.2019).
Doroshenko, A. (2018). Piecewise-Linear Approach to Classification Based on Geometrical Transformation Model for Imbalanced Dataset. IEEE Second International Conference on Data Stream Mining Processing (DSMP), august, 2018, (pp. 231–235).
Gregus, M., & Kryvinska, N. (2012). Service Orientation of Enterprises – Aspects, Dimensions, Technologies. Comenius University in Bratislava.
Kaczor, S., & Kryvinska, N. (2013). It is all about Services – Fundamentals, Drivers, and Business Models. The Society of Service Science. Journal of Service Science Research, Springer, 5(2), 125–154.
Kanwal Noor, & Sadaqat Jan (2017). Vehicle Price Prediction System using Machine Learning Techniques. International Journal of Computer Applications, 167(9), 27–31. https://doi.org/10.5120/ijca2017914373
Kozich, V. G., Bondarenko, V. V., & Bazhenov, R. I. (2015). Primenenie regressionnogo analiza i neironnykh setei dlia postroeniia modelei rynka poderzhannykh avtomobilei Toyota Prius. Postulat, 1(1), 4 p. [In Russian].
Kryvinska, N. (2012). Building Consistent Formal Specification for the Service Enterprise Agility Foundation. The Society of Service Science. Journal of Service Science Research, Springer, 4(2), 235–269.
Kryvinska, N., & Gregus, M. (2014). SOA and its Business Value in Requirements, Features, Practices and Methodologies. Comenius University in Bratislava.
Molnár, E., Molnár, R., Kryvinska, N., & Greguš, M. (2018). Web Intelligence in practice. Journal of Service Science Research. Springer, 6(1), 149–172.
Tkachenko, R. O., Tkachenko, P. R., & Izonin, I. V. (2017). Neiromerezhevi zasoby shtuchnoho intelektu. Lviv: Publishing house of Lviv Polytechnic, 204 p. [In Ukrainian].
Tkachenko, R., Kutucu, H., Izonin, I., Doroshenko, A., & Tsymbal, Y. (2018). Non-iterative Neural-like Predictor for Solar Energy in Libya. Proceedings of the 14th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. Volume I: Main Conference, Kyiv, Ukraine, May 14-17, 2018, Vol. 2105, (pp. 35–45).
Vitynskyi, P. B., Tkachenko, R. O., & Havrysh, B. M. (2019). Doslidzhennia ta eksperymentalnyi analiz metodiv mashynnoho navchannia v zadachakh elektronnoi komertsii. Naukovi zapysky, 1(58), 62–70. [In Ukrainian].
Zhernova, P. Y., Deineko, A. O., Bodyanskiy, Y. V., & Riepin, V. O. (2018). Adaptive Kernel Data Streams Clustering Based on Neural Networks Ensembles in Conditions of Uncertainty about Amount and Shapes of Clusters. IEEE First International Conference on Data Stream Mining & Processing (DSMP), Lviv, 2016, (pp. 7–12). https://doi.org/10.1109/DSMP.2018.8478616
Авторське право (c) 2018 http://creativecommons.org/licenses/by/4.0
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
