МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ПРИ ОТБОРЕ СТРАТЕГИИ ПРЕДПРИЯТИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 002.304

Информационные технологии

Потапова А. В., студент 4 курс, факультет «Государственное и муниципальное управление» Институт экономики, управления и права Казанский (Приволжский) федеральный университет

Россия, г. Казань

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ПРИ ОТБОРЕ СТРАТЕГИИ

ПРЕДПРИЯТИЯ

Аннотация: Отбор стратегий хозяйствующего субъекта очень сложный, когда меняется экономическое окружение, неточности определения переменных, влияющих на действия фирмы, неполноты информации о поведении конкурентов. В такой ситуации считается предпочтительным при отборе стратегии использовать методы, входящие в состав машинного обучения. Цель исследования - разработка методики выбора стратегии с помощью методов машинного обучения, которая должна включать способы анализа и отбора наиболее важных показателей хозяйствующего субъекта, проверку работоспособности созданной методики на имитированных или реальных данных. В качестве предобработки данных применятся метод главных компонентов. Подходящим способом машинного обучения для решения поставленной задачи - нейронные системы. Обученная нейронная сеть в виде персептрона помогает по набору отобранных переменных, определяющих стратегию, выбирать схему действий хозяйствующего субъекта, которая наиболее отвечает ситуации хозяйствующего субъекта.

Ключевые слова: стратегия предприятия, машинное обучение, главные компоненты, нейросетевая система, отбор признаков, выбор стратегии.

Annotation: The selection of strategies of the business entity is very difficult when the economic environment changes, inaccuracies in the definition of variables

that affect the actions of the company, incomplete information about the behavior of competitors. In such a situation, it is considered preferable to use the methods included in machine learning when selecting a strategy. The purpose of the study is to develop a method for choosing a strategy using machine learning methods, which should include methods for analyzing and selecting the most important indicators of the business entity, checking the operability of the created method on simulated or real data. The main components method is used as the data preprocessing. A suitable method of machine learning for solving a given problem is neural systems. A trained neural network in the form of a perseptron helps according to a set of selected variables that determine the strategy, to select the scheme of actions of the economic entity that most responds to the situation of the economic entity.

Key words: enterprise strategy, machine learning, main components, neural network system, feature selection, strategy selection.

Отбор варианта стратегии для хозяйствующего субъекта - это важная задача и от ее решения зависит будущая деятельность. При отборе вида стратегии нужно рассчитать перечень коэффициентов для оценки вида стратегии, найти идеальный метод для решения данной задачи, провести проверку данного метода на практике.

Оценка информации и работа с ней выражена построением модели по наблюдениям и ее будущее применение, например, при прогнозировании и т. п.

Методы, использующие в искусственном интеллекте (ИИ) для работы с информацией, входящие в структуру машинного обучения (machine learning), которое является подмножеством ИИ [2].

Машинное обучение (МО) - это метод, предназначенный для формирования модели из информации, как фото, документы, бумаги, аудио, изображения и т. д.

Модель - это конечный продукт МО, предназначенный для задач по интеллекту, например, когда с помощью физических законов или

математических уравнений не получается построить модель. Рассмотрим этапы модели:

1.Предобработка - метод основных компонентов. Метод главных компонентов (ГК) - основной и важный метод для предварительной обработки информации. Цель формирования ГК - разработка дисперсии наблюдаемой информации с помощью линейной комбинацию базовой информации. При существовании исходных переменных хр х2, ..., XJ основная часть дисперсии данных рассматривается малым количеством новых переменных (главных компонентов): 2р 22, ... , Zj, линейно связанных с исходными наблюдениями. Если при переходе остается одинаковое число ГК J, как и число исходных переменных. Далее происходит выбор подобных первых Р главных компонентов (Р < J), сохраняющие максимальную часть кумулятивной дисперсии исходной информации [3].

Данный метод помогает найти многопризнаковые объекты, в данном случае это хозяйствующего субъекта (стратегии предприятия), в пространстве меньшей размерности, найти между ними сходства и различия по набору свойств, найти предварительные итоги о наличии групп (классов) объектов.

Метод ГК похож на факторной анализ, но есть и различия. Рассмотрим различия между главными компонентами и факторным анализом:

- наблюдаемые переменные в определенной степени свободны от ошибок;

- ошибка есть доля общей дисперсии;

- ненаблюдаемый скрытый компонент - это линейная комбинация переменных;

- наблюдаемые переменные - индикаторы скрытых факторов;

- в идеальном случае цели сокращения информации и создание агрегированного коэффициента одинаковые;

- идеален для конкретных ситуаций теоретического использования.

2. Отбор признаков. Рассмотрим одну из задач МО - это отбор предикторов из всего списка кандидатов. При максимальном количестве входных параметров тяжело вести обучение нейронных сетей (НС), растут временные расходы.

Термин «проклятие размерности» (curse of dimensionality) - это трудности с подгонкой моделей, анализом их параметров или оптимизацией многомерной функции при наличии максмальной выборки. Это актуально и при применении нейронных сетей. Когда растет размерности пространства входной информации всё сложнее найти глобальные оптимумы для пространства. Поэтому, актуальна на практике отбирать из всего набора входных переменных наиболее полезны для прогнозирования выходов зависимых выходных переменных [1].

Методы согласно модулю, Feature Selection and Variable Screening программы Statistica, нужны для обработки больших наборов непрерывных и/или категориальных предикторов в задачах типа регрессии или классификации. Нужно найти подмножество предикторов из списка кандидатов без допущения о степени отношений между предикторами и зависимыми переменными. Этот модуль будет отличным препроцессором в МО для выбора сокращенных наборов предикторов для будущей его оценки.

Примером решения проблемы выбора предикторов из всего набора кандидатов - это вычисление корреляций между каждым предиктором и зависимой переменной. Для задач регрессионного типа (с непрерывной зависимой переменной) программа может найти коэффициенты корреляции, а сделать их выборку среди предикторов с максимальной корреляции с зависимой переменной.

Основным минусом данной ситуации является момент, что коэффициент корреляции определяет линейные отношения. А на практике зачастую они нелинейны, и большинство вариантов алгоритмов обработки информации в МО является нелинейными между предикторами и интересующей зависимой переменной. Поэтому применение этой стратегии сдвигает итоги, необходимые для будущей оценки, потому, что механизм выбора регламентируется определенными моделями и выводами (линейные модели, монотонная зависимость) [4].

Результат выбора параметров в данном модуле не указывает на определенный вид связи между предикторами и зависимыми переменными

(классами. Отметим, что в программе используется более полное понятие отношения при одновременной селекции предикторов для регрессии (классификации). Поэтому перечень предикторов данного приема растет благодаря линейным или нелинейным алгоритмами регрессии (классификации). Метод согласно модулю Feature Selection и Variable Screening, оптимизирован для больших наборов информации, и, обычно, нужно лишь пара проходов через эти данные.

Алгоритм выбора переменных можно использовать и с задачами регрессии (непрерывная зависимая переменная) или ее видов (категориальная зависимая переменная).

3. Нейронные сети. Нейронная сеть - это «черный ящик», показывающий данную ситуацию благодаря неопознанным процессом, имея наблюдения (примеры). Имеются для начала входы и выход, необходима база для обучения сети.

НС - это машина, совершенствующая вариант обработки мозгом определённой задачи. Эта сеть работает благодаря электронным компонентам или моделируется программой с помощью компьютера. Учитывая возможности обучения и обобщения нейронные сети определяются как математическое отображение архитектуры мозга человека.

Рассмотрим плюсы и минусы нейронных сетей.

Плюсы:

1. Могут обучаться на практике и примерах.

2. Аппроксимируют различную многомерную нелинейную функцию.

3. Не нужно глубокого понимания исследуемого процесса.

4. Устойчивые к наличию шума.

Минусы:

1. Необходимо много времени обучения в задачах с локальными минимумами.

2. Не показывают соотношения между переменными и не приумножают знаний и данных о процессе.

3. Некоторые задачи имеют плохой обобщение при предъявлении новых образов.

При решении задачи выбора стратегий необходима база примеров (обучающая выборка) для обучения НС. Данную базу возможно найти с помощью применения достоверных данных компаний для отбора стратегии или же использовать, например, метод Монте-Карло.

Подытоживая вышесказанное, вариант отобрать стратегию хозяйствующего субъекта с применением нейросетевой технологии, отобрать основные коэффициенты, которые влияют на стратегию, рассчитать пригодность способа основных компонентов к отбору стратегии. Отметим, что можно рассчитать данную задачу с помощью систему нечеткого вывода или гибридную нейронечеткую систему. Задача стратегического положения хозяйствующего субъекта, включающая отбор конкретной стратегии, решается применяется технологий, реализованных на нейронных сетях. Указанный прием является частью машинного обучения, которое, в свою очередь, входит в состав искусственного интеллекта.

Библиографический список:

1. Баресягин, А. А. Технологии анализа данных: учебник для бакалавров / Баресягин А.А., Куприянов М.С., Степаненко В.В., Холод И.И. - 2-е изд., перераб. и доп. - СПб.: БХВ Петербург, 2007. - 84 с.

2. Волков, А.А. Конспект лекций по системам искусственного интеллекта. - М.: МГСУ, 2020 - 72 с.

3. Воронцов, К.В. Лекции по метрическим алгоритмам классификации. — М.: Юрайт, 2013. — 411 с.

4. Гурман, В.Е. Теория вероятностей и математическая статистика. — 9-е изд., стер. - М.: Высшая школа, 2013. - 479 с.