Журнал "РИСК: Ресурсы, Информация, Снабжение, Конкуренция" 2 / 2023

DOI: 10.56584/1560-8816-2023-2-164-169

УДК 519.6

ОЦЕНКА ПОКАЗАТЕЛЕЙ МИКРОЭКОНОМИКИ С ПОМОЩЬЮ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ

Шаталова А. Ю.,

ассистент Департамента анализа данных и машинного обучения Факультета информационных технологий и анализа больших данных, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Зинёв В. А.,

студент Департамента анализа данных и машинного обучения Факультета информационных технологий и анализа больших данных, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Evaluation of microeconomics indicators using fuzzy neural networks

Shatalova A. Yu.,

Assistant of Department of Data Analysis and Machine Learning, Faculty of Information Technology and Big Data Analysis, Financial University under the Government of the Russian Federation, Moscow, Russia

Zinev V. А.,

Student of Department of Data Analysis and Machine Learning, Faculty of Information Technology and Big Data Analysis, Financial University under the Government of the Russian Federation, Moscow, Russia

Аннотация. В статье обсуждаются вопросы, связанные с практическим применением нейронных сетей для построения экономических моделей оценки стоимости недвижимости, а также показателей качества красного вина. Данные, собранные в ходе экономической деятельности субъектов подвергаются анализу и используются для построения моделей прогнозирования. Рассматривается использование нейронных сетей и методов статистического анализа для прогнозирования цен на недвижимость и качества винного напитка. Приводится сравнение результатов применения разных методов прогнозирования, а также оценка их эффективности для экономической деятельности субъекта. В работе описывается построение нечетких нейронных сетей с помощью библиотек Scikit-fuzzy и SANFIS. Приводится сравнительная характеристика и последовательное улучшение моделей для оценки стоимости недвижимости и показателей качества вина. В работе также сделаны выводы о возможности дальнейшего улучшения работы модели.

Ключевые слова: нечеткие нейронные сети в экономике, нечеткая логика в микроэкономике, Scikit-fuzzy, SANFIS, оценка стоимости недвижимости, оценка качества красного вина, нечеткий вывод, машинное обучение, анализ данных

Abstract. The article discusses issues related to the practical application of neural networks to build economic models of real estate valuation, as well as indicators of the quality of red wine. The data collected in the course of economic activity of subjects are analyzed and used to build forecasting models. The use of neural networks and statistical analysis methods to predict real estate prices and the quality of a wine drink is considered. The results of the application of different forecasting methods are compared, as well as an assessment of their effectiveness for the economic activity of the subject. The paper describes the construction of fuzzy neural networks using the Scikit-fuzzy and SANFIS libraries. Comparative characteristics and consistent improvement of models for assessing the value of real estate and wine quality indicators are given. The paper also draws conclusions about the possibility of further improvement of the model.

Keywords: fuzzy neural networks in economics, fuzzy logic in microeconomics, Scikit-fuzzy, SANFIS, real estate valuation, red wine quality assessment, fuzzy inference, machine learning, data analysis

Библиографический список:

1. Хакен Г., Хакен-Крель М. Тайны восприятия. – М.: Институт компьютерных исследований, 2002. – 272 с.

2. Ярушкина Н. Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004. – 320 с.

3. Редько В. Г. Эволюционная кибернетика. – М.: Наука, 2001. – 156 с.

4. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. – СПб: Питер, 2000. – 384 с.

5. Климанов С.Г. Долгосрочное прогнозирование объемов продаж продукции компании на международных рынках обогащенного урана в условиях ограничений и квот/С. Г. Климанов и [др.] // Вестник национального исследовательского ядерного университета "МИФИ". - 2016. - Т. 5, № 3.- С.254-261

6. Ярушкина Н. Г. Нечеткие и гибридные системы: Обзор итогов и тенденций развития // Новости искусственного интеллекта. – 2003. - № 5. – С. 5–12.

7. Наместников А.М., Ярушкина Н.Г. Эффективность генетических алгоритмов для задач автоматизированного проектирования // Известия Российской академии наук. Теория и системы управления. – 2002. - № 2. - С. 127-132.

8. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: Определение, архитектура, возможности // Программные продукты и системы. – 2002. - № 3. С. 5.

9. Kaggle.com : официальный сайт. –Обновляется в течение суток. – URL: https://www.kaggle.com/datasets/harlfoxem/housesalesprediction: 10.05.2023).

10. Kaggle.com : официальный сайт. –Обновляется в течение суток. – URL: https://www.kaggle.com/datasets/uciml/red-wine-quality-cortez-et-al-2009/code : 10.05.2023).