Could not compile stylesheet for simplistic. Using last compiled stylesheet.
از کدام یک در پیش بینی نرخ دلار استفاده کنیم؟
پاسخ ها (1)
  • پاسخ پذیرفته شده

    شنبه, دسامبر 28 2013, 06:50 AM - #لینک دائمی
    مقایسه شبکه های عصبی و روش های آماری در مدل سازی سری های زمانی مطرح می شود. و در زمینه یادگیری تابع شبکه های عصبی باید با فرمول های رگرسونی مقایسه شوند. با فرض آگاه بودن جناب عالی از تفاوت این دو مقوله پاسخ به سوال را می توان به صورت زیر در نظر گرفت :
    رهیافت کلی مدنظر به این صورت بوده است که در مدل سازی به دنبال مدلی با شکل کل زیر می باشیم:
    شبکه عصبی چه می کند؟ و چطور کار می کند؟
    در پیوست دوم این گزارش به تفصیل در مورد شبکه های عصبی توضیح داده شده است. ولی با توجه به اهمیت موضوع، با ذکر مثالی نحوه ی عملکرد پیش بینی کننده ها نشان داده می شود.
    پیش بینی کننده ها دارای دو قسمت اصلی می باشند :
    1- معادله خام
    2- پیچ های تنظیم معادله خام
    منظور از معادله خام، فرمول ها یا ساختاری است که پیش بینی کننده در غالب آن رفتار داده ها را مدل سازی می کند. به عنوان مثال یک چند جمله ای درجه یک به صورت فرمول خطی y=ax+b در نظر گرفته می شود. a و b ضرایب مجهول این معادله می باشند که با توجه به داده هایی که در اختیار داریم یافت می شوند. نحوه ی به دست آوردن ضرایب در معادله ی خام استفاده از روش های بهینه سازی می باشد. به عنوان مثال در مثال چند جمله ای درجه یک، دو ستون داده موجود است که اولی را x را ورودی می نامیم و دومی را y یا خروجی، این دو ستون هر یک شامل مثلا 100 داده متناظر می باشد. یعنی برای هر x در ستون ورودی یک y در ستون خروجی موجود می باشد.
    نحوه ی عملکرد معمولا به این صورت می باشد که 20 درصد از داده ها را به صورت تصادفی انتخاب کرده و به عنوان داده تست یا out of sample در نظر می گیریم. حال با 80 درصد داده موجود که شامل ورودی ها و خروجی های متناظر می باشد، مسئله بهینه سازی به دست آوردن ضرایب را حل می کنیم .
    هدف از حل مسئله بهینه سازی این است که a و b را پیدا کنیم که در اگر در معادله yp=ax+b قرار بگیرد، yp هایی که از طریق این فرمول به دست می آید، کمترین خطا را نسبت به y های متناظر داشته باشند.
    این مطلب در شکل زیر نشان داده شده است.

    حال چنان چه به جای یک معادله چند جمله ای درجه یک از یک چند جمله ای درجه بالاتر استفاده کنیم. به شرطی که تعداد کافی داده در اختیار داشته باشیم، صحت مدل بالاتر می رود. در حقیقت، در مثال بالا معادله خام فرمول چند جمله ای درجه یک بود. با تعویض مدل خام و استفاده از یک چند جمله ای درجه بالاتر، خطای مدل کمتر می شود.
    مدل های خام متفاوتی را می توان برای داده های مختلف ارائه داد. در حقیقت این مدل های ریاضی به نحوی نماینده مدل فیزیکی و واقعی از رفتار داده ها در دنیای فیزیکی بیرون هستند. هر چه دانش ما نسبت به رفتار واقعی و فیزیکی داده ها بیشتر باشد می توان از معادلات دقیق تری به عنوان معادله خام استفاده کرد. به عنوان مثال، در یک علم رابطه بین دو کمیت به صورت نمایی اثبات شده است. برای مدل سازی رفتار این دو کمیت حتما ترم های نمایی در معادله خام قرار می گیرد.
    سوال اساسی اینجا اینگونه مطرح می شود که با افزایش تعداد ورودی ها و سخت و سخت تر شدن الگو ها و فیزیک مسئله، نیاز به یک سری پیش بینی کننده که تمامی الگوهای غیر خطی و آشوبناک را متوجه شوند احساس می شوند. به عنوان مثال سری های فوری تلاشی است برای مدل سازی رفتار توابع با استفاده از جمله های سینوسی و کسینوسی با فرکانس های متفاوت.
    شبکه های عصبی نوعی معادله خام به شمار می آید که به خاطر طبیعت و نبوغ نهفته در دل آن ها توانایی مدل سازی رفتار های به شدت غیر خطی و آشوبناک را دار می باشند. یعنی شبکه عصبی نیز همانند مدل چند جمله ای مثال زده شده دارای یک سری پارامتر برای تنظیم معادله خام خود می باشد. که به این پارامترهای مجهول وزن های شبکه عصبی می گویند. به فرایند به دست آوردن وزن های شبکه عصبی نیز فرایند آموزش اطلاق می گردد.
    شبکه های عصبی در مقایسه با رقبای خود دارای مزایایی هستند که در زیر به برخی از آن ها اشاره می شود.
    - عدم محدودیت در تعداد ورودی و خروجی
    - قابلیت مدل سازی رفتار های غیر خطی و آشوبناک
    - عدم حساسیت به تغییرات ناگهانی و نویز
    - آموزش سریع
    - دارای فرایند جلوگیری از آموزش بیش از اندازه
    - دارای توپولوژی های مختلف با کارایی متفاوت در داده های متفاوت
    - قابلیت لحاظ کردن پارامترهای گسسته
    - قابلیت اتصال به سیستم های بهینه سازی برای بهبود کارایی
    علاوه بر شبکه های عصبی روش های دیگر نیز در این پژوهش مورد توجه واقع شده اند و مدل هایی با استفاده از آن ها به دست آمده است که در زیر این روش ها را مشاهده می کنید.
    - شبکه های نورو فازی یا anfis که مخفف کلمات adaptive neuro fuzzy inferring system می باشد.
    - الگوریتم بهترین نمونه انطباقی یا CBR که مخفف کلمات case based reasoning می باشد.
    - الگوریتم رگرسیون های بردار پشتیبان یا SVR که مخفف کلمات supported vector regression می باشد.
    پاسخ به درستی کمینه شد Show
پاسخ شما