Технологии интеллектуального анализа данных : учебное пособие

266 нейной регрессии может быть не построена вообще. Это будет сра- зу видно на диаграмме рассеяния, так как прогнозные значения ве- личины будут сильно разбросаны относительно действительных значений. В этом случае нужно использовать более мощные алго- ритмы, например, нейронные сети. Подготовка и настройка обучающей выборки, настройка на- значений полей и их нормализация производятся так же, как и для нейронных сетей. Пусть имеются данные о продажах, представленные табл. 4.21. Таблица 4.21 Данные о продажах Первый день месяца Объем продаж (тыс. руб.) 01.01.2004 1000 01.02.2004 1160 01.03.2004 1210 01.04.2004 1130 01.05.2004 1250 01.06.2004 1300 Пусть, например, необходимо составить прогноз объемов продаж на следующий месяц, основываясь на продажах за три пре- дыдущих месяца. Для этого преобразуем таблицу к скользящему окну (табл. 4.22). Таблица 4.22 Преобразование таблицы данных к скользящему окну Объем продаж Первый день месяца три месяца назад ( Х – 3) два месяца назад ( Х – 2) месяц назад ( Х – 1) в текущем месяце ( X ) 01.04.2004 1000 1160 1210 1130 01.05.2004 1160 1210 1130 1250 01.06.2004 1210 1130 1250 1300 Входными полями у модели являются Х – 3, Х – 2, Х – 1, а выходным – X . Построим модель линейной регрессии. Для оценки