Построение и исследование моделей краткосрочного прогнозирования гликемии у больных сахарным диабетом

4.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