پروژه پیش بینی قیمت خانه با شبکه عصبی

پروژه پیش بینی قیمت خانه با شبکه عصبی ، در این لحظه از مطلب دی ال پروژه پیش بینی قیمت خانه با شبکه عصبی را برای دانلود قرار داده ایم.این پروژه با دیتاست بوستون و در نرم افزار متلب پیاده سازی شده است.

پروژه پیش بینی قیمت خانه با شبکه عصبی :

هدف از این پروژه، بررسی کارایی ساختارهای مختلف شبکه عصبی در انجام عمل رگرسیون می‌باشد. عمل رگرسیون روشی جهت پیش‌بینی مقادیر پیوسته می‌باشد. این عمل یکی از ابزارهای پرکاربرد در یادگیری ماشین است.

برای عمل رگرسیون که یک روش یادگیری با ناظر می‌باشد، ابتدا بر اساس داده‌ها و مشاهدات قبلی مدلی تولید می‌شود. سپس بر اساس مدل تولید شده برای نمونه‌های جدید مقدار پارامتری که باید پیش‌بینی گردد به دست می‌آید.

با توجه به اینکه ساختارهای مختلفی از شبکه عصبی موجود می‌باشد نمیتوان ادعا کرد که کدام روش کارایی بهتری دارد. لذا در این پروژه با آزمایشات متنوع سعی می‌شود کارایی شبکه‌های عصبی مورد ارزیابی قرار گیرد.

رگرسیون :

رگرسیون از دیدگاه یادگیری ماشین، مدلی تعریف شده توسط مجموعه‌ای از پارامترها رابطه زیر در نظر گرفته می‌شود.

رگرسیون

که در آن g(.) مدل و تتا پارامترهای مدل می‌باشند. الگوریتم یادگیری ماشین پارامترهای مدل تتا را به گونه‌ای بهینه می‌کند، که خطای تقریب، کم گردد یا برآورد مدل تا جایی که ممکن است به مقادیر واقعی که در مجموعه داده آموزشی موجود می‌باشد نزدیک باشد.(اطلاعات بیشتر در رابطه بارگرسیون در گزارش پروژه به صورت مفصل آورده شده است)

شبکه عصبی

شبکه‌های عصبی نوعی مدل‌سازی ساده انگارانه از سیستم‌های عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. حوزه کاربرد این شبکه‌ها آنچنان گسترده است که از کاربردهای طبقه‌بندی گرفته تا کاربردهایی نظیر درون‌یابی، تخمین، آشکارسازی و … را شامل می‌شود. شاید مهم‌ترین مزیت این شبکه‌ها، توانایی بالای آن‌ها در کنار سهولت استفاده از آنها باشد.

یکی از روش‌های کارآمد در حل مسائل پیچیده، شکستن آن به زیرمسأله‌های ساده‌تر است که هر کدام از این زیربخش‌ها به نحو ساده‌تری قابل درک و توصیف باشند. در حقیقت یک شبکه، مجموعه‌ای از این ساختارهای ساده است که در کنار یکدیگر سیستم پیچیده نهایی را توصیف می‌کنند. شبکه‌ها انواع مختلفی دارند اما همگی آنها از دو مؤلفه تشکیل می‌شوند:

مجموعه‌ای از گره‌ها؛ هر گره در حقیقت واحد محاسباتی شبکه است که ورودی‌ها را گرفته و برروی آن پردازش انجام می‌دهد تا خروجی بدست آید. پردازش انجام شده توسط گره میتواند از ساده‌ترین نوع پردازش‌ها نظیر جمع کردن ورودی‌ها تا پیچیده‌ترین محاسبات را شامل شود. در حالت خاص، یک گره می‌تواند خود، شامل یک شبکه دیگر باشد.
اتصالات بین گره‌ها؛ این اتصالات نحوه گذر اطلاعات بین گره‌ها را مشخص می‌کند. در حالت کلی اتصالات می‌توانند تکسویه (Unidirectional) یا دوسویه (Bidirectional) باشند.

(اطلاعات بیشتر در رابطه با شبکه عصبی در گزارش پروژه به صورت مفصل آورده شده است)

ارزیابی روش :

مجموعه داده مورد استفاده

در این تحقیق جهت بررسی کارایی شبکه‌های عصبی MLP در انجام عمل رگرسیون از مجموعه داده Boston استفاده می‌شود. این مجموعه داده جهت پیش‌بینی قیمت خانه در شهر Boston آمریکا در سال ۱۹۹۳ جمع آوری شد. مجموعه داده مذکور جهت اعمال رگرسیون و سنجیدن قدرت الگوریتم‌ها و روش‌های مورد استفاده در رگرسیون به کار میرود.(اطلاعات بیشتر در رابطه با مجموعه داده مورد استفاده در گزارش پروژه به صورت مفصل آورده شده است)

نحوه ارزیابی :

الگوریتم‌های رگرسیون موجود در یادگیری ماشین الگوریتم‌هایی با ناظر می‌باشند. که برای یادگیری نمونه‌ها باید برچسب آن‌ها معین باشد. هم چنین یکی از مهم‌ترین موارد در الگوریتم سنجش کارایی الگوریتم‌ می‌باشد ، برای سنجش الگوریتم مجموعه داده مورد استفاده به دو قسمت مجموعه آموزش و مجموعه تست تقسیم می‌شود. روش‌های متنوعی جهت برای این تقسیم ‌بندی وجود دارد… (اطلاعات بیشتر در رابطه با نحوه ارزیابی در گزارش پروژه به صورت مفصل آورده شده است)