Построение и исследование моделей краткосрочного прогнозирования гликемии у больных сахарным диабетом
.pdf4.ОЦЕНКА АДЕКВАТНОСТИ И СРАВНЕНИЕ МОДЕЛЕЙ
Вданной главе производится оценка точности прогнозирования на тесто-
вых данных и влияния структуры нейросетевой модели на точность прогнози-
рования. На основании дополнительных экспериментов производится сравни-
тельный анализ точности нейросетевого прогнозирования с моделью линейной регрессии.
4.1. Оценка обобщающей способности модели линейной регрессии при
прогнозировании гликемии на тестовых данных
Для оценки точности построенной раннее модели множественной линей-
ной регрессии в мастере обработки выберем опцию «Скрипт». Окно мастера об-
работки в Deductor Studio представлено на рисунке 4.1.
Рисунок 4.1 – Мастер обработки Скрипт позволяет применить ранее построенную модель линейной регрес-
сии к новому набору данных в рамках одного проекта. Скрипт также позволяет автоматически добавлять в сценарий однотипные ветви обработки. Для настройки скрипта достаточно указать начальный и конечный узлы, находящи-
еся на одной ветви обработки. Тогда при выполнении узла скрипта будут после-
довательно выполнены начальный, все промежуточные узлы и конечный узел.
В качестве начального этапа обработки укажем обработчик Линейная ре-
грессия, как это представлено на рисунке 4.2.
101
Рисунок 4.2 – Окно настройки начального этапа обработки На рисунке 4.3 представлено окно выбора конечного этапа обработки.
Рисунок 4.3 – Окно настройки конечного этапа обработки Для оценки качества модели прогноза используется диаграмма рассеива-
ния. На рисунке 4.4 представлена диаграмма рассеяния, которая отображает от-
клонение прогнозируемого значения гликемии от его истинностного значения.
Красными точками отмечены ответы нейронной сети, зелеными точками – целе-
вые параметры модели, красной линией – доверительный интервал значений.
102
Рисунок 4.4 – Диаграмма рассеяния Согласно построенной диаграмме рассеяния можно сделать вывод, что в
обученной модели присутствуют минимальные выбросы и отклонения прогно-
зируемых значений от эталонов минимальны.
На рисунке 4.5 представлен график изменения значений среднеквадрати-
ческого отклонения прогнозируемых значений гликемии от эталонных образов.
Рисунок 4.5 – График изменения значений абсолютной погрешности
103
На графике по оси абсцисс расположены порядковые номера временных интервалов, по оси ординат – разностная величина между эталонным и прогно-
зируемым значением.
На графике изменения значений абсолютной погрешности видно, что раз-
ность между прогнозируемыми и целевыми значениями гликемии минимальна,
что свидетельствует об успешной проверке.
Построенная модель множественной линейной регрессии на тестовой вы-
борке отвечает требованиям точности и подтверждает возможность ее использо-
вания в качестве модели краткосрочного прогнозирования гликемии.
4.2. Оценка обобщающей способности модели многослойного персептрона
при прогнозировании гликемии на тестовых данных
Для оценки точности прогнозирования нейросетевых моделей типа «мно-
гослойный персептрон», процесс обучения которых был описан в главе 3, разра-
ботаем скрипты в среде разработке MATLAB. Программа будет реализовывать получение ответа от построенной в главе 3.4 нейронной сети при подаче на вход тестового набора данных. В качестве ответа программа выведет матрицу-строку размерностью 1 × 1547, которая будет являться ответом нейронной сети.
На рисунке 4.6 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-
ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-
мощью модели многослойного персептрона с 20 нейронами в скрытом слое.
104
Рисунок 4.6 – График эталонных и прогнозируемых значений гликемии,
полученный с помощью многослойного персептрона с одним скрытым слоем и
20 нейронами в нем На рисунке 4.7 представлен график изменения среднеквадратического от-
клонения эталонных значений гликемии от прогнозируемых.
Рисунок 4.7 – График изменения значений абсолютной погрешности На графике изменения значений абсолютной погрешности видно, что по-
грешность между прогнозируемыми и целевыми значениями гликемии мини-
мальна, что свидетельствует об успешной проверке.
105
На рисунке 4.8 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-
ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-
мощью модели многослойного персептрона с 40 нейронами в скрытом слое.
Рисунок 4.8 – График эталонных и прогнозируемых значений гликемии,
полученный с помощью многослойного персептрона с одним скрытым слоем и
40 нейронами в нем На рисунке 4.9 представлен график изменения среднеквадратического от-
клонения эталонных значений гликемии от прогнозируемых.
Рисунок 4.9 – График изменения значений абсолютной погрешности
106
На графике изменения значений абсолютной погрешности видно, что по-
грешность между прогнозируемыми и целевыми значениями гликемии мини-
мальна, что свидетельствует об успешной проверке.
На рисунке 4.10 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-
ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-
мощью модели многослойного персептрона с двумя скрытыми слоями по 40
нейронов в каждом.
Рисунок 4.10 – График эталонных и прогнозируемых значений гликемии,
полученный с помощью многослойного персептрона с двумя скрытыми слоями и 40 нейронами в нем
На рисунке 4.11 представлен график изменения разности эталонных значе-
ний гликемии от прогнозируемых.
107
Рисунок 4.11 – График изменения значений абсолютной погрешности На графике изменения значений абсолютной погрешности видно, что по-
грешность между прогнозируемыми и целевыми значениями гликемии мини-
мальна, что свидетельствует об успешной проверке.
Построенные нейросетевые модели на тестовой выборке отвечают требо-
ваниям точности и подтверждают возможность их использования в качестве мо-
дели краткосрочного прогнозирования гликемии.
4.3. Оценка обобщающей способности модели нелинейной
авторегрессионной нейронной сети с внешним выходом при
прогнозировании гликемии на тестовых данных
Для оценки точности прогнозирования нелинейных авторегрессионных нейросетевых моделей, процесс обучения которых был описан в главе 3, разра-
ботаем скрипты в среде разработке MATLAB. Программа будет реализовывать получение ответа от построенной в главе 3.4 нейронной сети NARX при подаче на вход тестового набора данных. В качестве ответа программа выведет матрицу-
строку размерностью 1 × 1547, которая будет являться ответом нейронной сети.
На рисунке 4.12 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-
ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-
мощью модели многослойного персептрона с 20 нейронами в скрытом слое.
108
Рисунок 4.12 – График эталонных и прогнозируемых значений гликемии,
полученный с помощью сети NARX с одним скрытым слоем и 20 нейронами в нем
На рисунке 4.13 представлен график изменения разности эталонных значе-
ний гликемии от прогнозируемых.
Рисунок 4.13 – График изменения значений абсолютной погрешности На графике изменения значений абсолютной погрешности видно, что по-
грешность между прогнозируемыми и целевыми значениями гликемии мини-
мальна, что свидетельствует об успешной проверке.
109
На рисунке 4.14 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-
ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-
мощью модели многослойного персептрона с 40 нейронами в скрытом слое.
Рисунок 4.14 – График эталонных и прогнозируемых значений гликемии,
полученный с помощью сети NARX с одним скрытым слоем и 40 нейронами в нем
На рисунке 4.15 представлен график изменения разности эталонных значе-
ний гликемии от прогнозируемых.
Рисунок 4.15 – График изменения значений абсолютной погрешности
110