Применение нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений

После обучения сеть нужно запустить на исполнение. Это можно сделать в нескольких вариантах:

1. На текущем наборе данных - в целом или на отдельных наблюдениях; окно Run Single Case, доступ к которому осуществляется через команду Single Case меню Run.

Рис. 4.5.1. Окно запуска на одном наблюдении.

В поле Case No задается номер наблюдения, подлежащего обработке. Чтобы обработать текущее наблюдение, нажмите кнопку Run, а для обработки каково- либо другого наблюдения пользуются стрелками прокрутки на кнопке микропрокрутки, которая расположена справа от поля Case No. Значения входных переменных для текущего наблюдения отображаются в таблице, расположенной в верхней части окна, а выходные значения - в нижней таблице. Помимо фактического выходного значения, которое выдает сеть, выводится также целевое значение и ошибка, то есть разность между первым и вторым. Кроме того, ошибка, соответствующая данному наблюдению, выводится отдельно в верхней части окна (поле Error).

2. На другом наборе данных - в целом или на отдельных наблюдениях (такой набор данных уже может не содержать выходных значений и предназначаться исключительно для тестирования); окно Run Data Set, доступ к которому осуществляется через команду Data Set меню Run.

Рис. 4.5.2. Окно запуска на все наблюдениях.

В таблице окна Run Data Set содержатся следующие значения (перечисленные слева на право): фактические выходные сигналы, целевые выходные значения, ошибки, то есть разность между первым и вторым, и суммарная ошибка по каждому наблюдению.

3. На одном конкретном наблюдении, для которого значения переменных введены пользователем, а не взяты из какого-то файла данных; окно Run One-off Case, доступ к которому осуществляется через команду One-off меню Run.

Рис. 4.5.3. Окно запуска на одном наблюдении, которое введено пользователем.

Иногда необходимо протестировать сеть на отдельном наблюдении, не принадлежащем никакому набору данных. Причины для этого могут быть такие:

· Обученная сеть используется для построения прогнозов на новых данных с неизвестными выходными значениями.

· Вы хотите поэкспериментировать с сетью, например, проверить чувствительность результата к малым изменением данных.

Тестирование заданных пользователем наблюдений производится из окна Run One-off Case, в котором нужно ввести входные значения в таблицу, расположенную в верхней части окна, и нажать кнопку Run, результаты будут выведены в нижнюю таблицу.

4. Из другого приложения.

4.6 Оценка качества работы

После того как сеть обучена, стоит проверить, насколько хорошо она работает. Среднеквадратичная ошибка, которая выдается в окне Train Error Graph, представляет лишь грубую меру производительности. Более полезные характеристики выдаются в окне Regression Statistics,которое открывается через пункт Regression... меню Statistics.

Рис. 4.6.1. Окно статистик регрессии.

В этом окне подсчитываются среднее и стандартное отклонение для выходных переменных и ошибки сети, а также отношение стандартного отклонения ошибки к стандартному отклонению данных. Последняя статистика является хорошим показателем качества регрессии. Если величина S.D. Ratio меньше 0,1, это означает хорошее качество регрессии.

Выводы к главе 4

1. Даны инструкции для работы в программе конвертора.

2. Даны инструкции по работе с данными, созданию нейронной сети, обучению нейронной сети, тестированию нейронной сети в программе Trajan.

Глава 5. Решение поставленной задачи с помощью нейронной сети

Исходная задача является частным случаем задачи регрессии, и после соответствующего предварительного преобразования данных может быть решена нейронной сетью любого типа, предназначенного для задач регрессии.

5.1 Работа с исходными данными

Откроем таблицу с исходными данными файл Exchange.pat. В этой таблице пометим первый столбец как Ignore, а остальные как Input. Создадим в этой таблице еще один столбец и скопируем в него значения столбца Yen, начиная со 2. Озаглавим его как Exit и пометим его как Output. Также отметим 15 строк для тренировки сети, 5 строк для проверки, за обучением, а оставшиеся 4 для тестирования и еще 1 строку для предсказания. В результате должна получается таблица:

Рис. 5.1.1. Преобразованная таблица исходных данных.

5.2 Построение нейронной сети

Для выбора типа нейронной сети подходящей для этой задачи, числа слоев и элементов воспользуемся автоматическим конструктором нейронной сети. Зададим следующие параметры в окне автоматического конструктора:

1. Выберем все возможные типы сетей.

2. Выберем значение Unit Penalty равное 0,001.

3. Параметр Steps равный 1.

4. Параметр Lookahead равный 1.

После запуска автоматического конструктора нейронной сети с данными параметрами, он построил, на основе данных, нейронную сеть, которая представлена на рис. 5.2.1..

Рис. 5.2.1. Нейронная сеть, построенная автоматическим конструктором.

Из рис. 5.2.1. видно, что автоматический конструктор выбрал для решения поставленной задачи MLP сеть с четырьмя слоями.

Возьмем за основу нейронную сеть, которую предложил автоматический конструктор, и обучая ее различными методами добьемся определенной точности нейронной сети для поставленной задачи.

5.3 Обучение нейронной сети

5.3.1 Обучение нейронной сети по алгоритму обратного распространения

В окне настроек параметров алгоритма обратного распространения, смотри рис. 3.4.1., выставим следующие начальные параметры обучения: число эпох равное 500, скорость обучения равной 0,6, инерцию в начале равной 0,6, а в конце 0,1, и обучим нашу нейронную сеть.

На рис. 5.3.1.1. видно, что уже после пяти итерации контрольная ошибка не уменьшается, а ошибка обучения сети уже достигла нужной точности. Для того чтобы уменьшить контрольную ошибку надо изменить структуру нейронной сети, либо попробовать другой метод обучения.

Рис. 5.3.1.1. График обучения методом обратного распространения.

Изменим структуру нейронной сети, убрав из нее 3 слой. Сеть, полученная после удаления 3 слоя, представлена на рис. 5.3.1.4.

Рис.5.3.1.4. Измененная структура нейронной сети.

Обучим измененную сеть тем же методом и с теми же начальными параметрами. Как видно из рис.5.3.1.5. качество процесса обучения ухудшается, так как обе ошибки увеличиваются.

Рис.5.3.1.5. График обучения измененной сети методом обратного распространения.

На основе вышеприведенных экспериментов можно сделать вывод, что метод обратного распространения решает поставленную задачу с большой контрольной ошибкой. В связи с этим воспользуемся другими алгоритмами обучения нейронной сети.

5.3.2 Обучение нейронной сети методом сопряженных градиентов

Рис.5.4.1. Прогон всего набора данных.

Оценим качество регрессии полученной нейронной сети. Окно со значениями представлено на рис.5.4.2.

Рис. 5.4.2. Статистики регрессии.

Величина S.D. Ratio является хорошим показателем качества регрессии, так как она меньше 0,1, то это означает хорошее качество регрессии.

Протестируем нашу сеть на наблюдении, которое мы выделили для предсказания значения на будущий день. Окно тестирования представлено на рис.5.4.3.

Рис.5.4.3. Предсказание на будущий день.

Сравним значение, которое получилось на выходе нейронной сети со значением, которое согласно таблице должно быть на следующий день (данные для предсказания - это первая строка исходной таблицы данных, а предсказанное значение на следующий день соответственно должно быть во второй строке в столбце Exit). Эти два значения не отличаются друг от друга, следовательно, обученная нейронная сеть может предсказывать значение на один день, что и требовалось в нашей задаче, но, если посмотреть на рис.5.4.1., то можно убедиться, что в некоторых наблюдениях ошибка большая и прогноз на будущий день будет неточен.

5.5 Основные результаты экспериментов

Результаты проведенных экспериментов сведены в таблицу 5.5.1..

Таблица 5.5.1. Результаты экспериментов.

В таблице 5.5.1. указаны следующие данные: сеть - тип нейронной сети; структура сети - число слоев и элементов в этих слоях; метод обучения - метод использованный при обучении нейронной сети; n эпох - число эпох обучения; ошибка обучения - ошибка получаемая при обучении нейронной сети; ошибка контроля - контрольная ошибка получаемая при обучении нейронной сети.

На основании проведенных экспериментов можно сделать вывод, что наиболее подходящей нейронной сетью для решения поставленной задачи является трехслойная MLP сеть с двумя элементами во внутреннем слое.

Выводы к главе 5

1. Сделан начальный выбор типа нейронной сети.

2. Проведены эксперименты для создания и обучения нейронной сети, решающей поставленную задачу.

3. Проведено тестирование построенной сети.

4. Сделан вывод о соответствии построенной сети нашей задачи.

5. Указаны основные результаты экспериментов.

Глава 6. Эргономическая оценка программы Trajan

Конечный результат предусматривает балльную оценку эргономических показателей по четырём категориям: отлично, хорошо, удовлетворительно и плохо.

Рекомендуется следующая градация показателей шкалы оценки:

5 баллов (отлично) - параметры объекта соответствуют оптимальным значениям нормативных требований; оцениваемый элемент при его функциональном применении оказывает благоприятное влияние на работоспособность, развитие физических и психических функций человека, создаёт необходимое удобство в работе;

4 балла (хорошо) - параметры объекта соответствуют допустимым значениям нормативных требований; оцениваемый элемент при его функциональном применении может приводить к временному (компенсируемому) снижению работоспособности, но не оказывает неблагоприятного влияния на состояние здоровья работающего;

3 балла (удовлетворительно) - параметры объекта отклоняются от допустимых значений нормативных требований; оцениваемый элемент при его функциональном применении может оказывать неблагоприятное влияние на состояние здоровья работающего, что может быть устранено путём реализации мероприятий, исключающих неблагоприятное на здоровье (применение специальных средств защиты, изменение расположения органов индикации и управления, изменение размеров и т. д.);

0 баллов (плохо) - состояние объекта соответствует недопустимому уровню.

При оценке комплексным, наиболее информативным, методом рассчитывают обобщённый эргономический показатель k_эрг, представляющий собой функцию от единичных эргономических показателей с учётом их коэффициентов весомости. При этом предполагается при назначении весового коэффициента исходить из влияния каждого эргономического свойства на повышение работоспособности, самочувствия и производительности труда. Подробно методика описана в книге [1] .

В процессе выполнения задания предстояло оценить с эргономической точки зрения программу Trajan. Эта программа предназначена для работы с нейронными сетями и позволяет на основе статистических данных сформировать нейронную сеть, обучить ее и использовать в дальнейшем для прогнозирования. Исходя из вышесказанного, становится очевидным, что интерфейс этой программы должен быть понятен и легок в обращении людям работающим в этой области. На основе собственного опыта работы, а также рекомендаций, изложенных в литературе [1], был произведён выбор базовых эргономических показателей. Они же были сведены в три однородные группы, значимость которых определена цифровой последовательностью.

Список базовых эргономических показателей:

1. Размещение экранного интерфейса.

1.1. Основные меню (главное, контекстное, панель инструментов).

1.2. Элементы навигации (закладки и полосы прокрутки).

1.3. Строка подсказки (состояния).

1.4. Хелпы (вспомогательная и обучающая система).

1.5. Окна (панели) редактирования.

1.6. Взаимное расположение элементов навигации, меню и панелей отображения.

1.7. Последовательности управляющих и отображающих информацию элементов.

1.8. Частота использования (самые используемые должны быть легко доступны).

2. Факторы, характеризующие отображение информации.

2.1. Размеры воспроизводимых символов.

2.2. Яркость и контрастность символов (абстрагировано от конкретного монитора).

2.3. Информационная ёмкость символа (интуитивная ясность его функции).

3. Художественно-конструктивное решение.

3.1. Соответствие интерфейса современным идейно-эстетическим требованиям.

3.2. Цветовое решение.

Далее эксперты назначили весовые коэффициенты и дали балльную оценку каждому единичному показателю, которые сведены в таблицу 6.1 из Приложения 2, в которой эксперты условно закодированы номерами.

В таблицы 6.2 - 6.4 из Приложения 2 сведены результаты расчётов нормированных весовых коэффициентов эргономических показателей, согласованности мнений экспертов о весовых коэффициентах и балльных значениях единичных эргономических показателей интерфейса программы.

Учитывая, что требование согласованности мнений экспертов о весомости и значениях эргономических показателей (V_i 0,25) выполнено, производится расчёт обобщённого эргономического показателя k_эрг (Таблица 6.5 из Приложения 2). Следует заметить, что если значение хотя бы одного единичного показателя равняется нулю, то расчёт не производится и принимается k_эрг = 0.

Сумма взвешенных эргономических показателей k_эрг = 4,38. Полученное значение обобщённого эргономического показателя, равное 4,38, означает, что эргономичность оцениваемого интерфейса соответствует уровню, который не оказывает неблагоприятного влияния на состояние здоровья работающего, в полной мере удовлетворяет требованиям поддержания высокой и устойчивой работоспособности. Параметры исследуемого объекта соответствуют допустимым значениям нормативных требований и по некоторым показателям приближаются к оптимальным.

Выводы к главе 6

1. Дан расчет эргономических характеристик программы Trajan.

2. Сделан вывод о ее соответствии нормативным значениям.

Заключение

В этой работе была решена задача анализа деловой активности с помощью нейронных сетей, выбор типа нейронной сети был сделан с помощью автоматического конструктора нейронной сети, рассмотрены методы обучения нейронных сетей, работа в программе конверторе и в программе создания нейронной сети Trajan.

На основании проведенных мной экспериментов можно сделать вывод о том, что более подходящим типом нейронной сети для решения поставленной задачи является трехслойная MLP сеть с двумя элементами во внутреннем слое, обученная методом Левенберга-Маркара, со следующими параметрами: число эпох обучения равным 100, ошибкой обучения равной 0,00008493, ошибкой контроля равной 0,819.

Обученная нейронная сеть может предсказывать будущие значения, на основании которого эксперт может вынести окончательное решение.

Также была проведена эргономическая оценка программы Trajan. На основе этой оценки можно сделать вывод, что параметры этой программы соответствуют допустимым значениям нормативных требований и по некоторым показателям приближаются к оптимальным.

Список литературы

1. Бокшицкий Л.В. «Основы эргономики и охраны труда» МЭИ 1990г.

2. Алексеев А.В. «Нейронные сети» МЭИ 2000г.

3. «Нейронные сети» перевод с английского StatSoft RUSSIА 2000г.

4. Уоссермен Ф. «Нейрокомпьютерная техника» Москва, «Мир»,1992 г.

5. «Международные валютно-кредитные и финансовые отношения» Москва, «Финансы и статистика» 1994 г.

6. «Словарь делового человека» Москва, «Экономика» 1992 г.

7. Кендалл М. и Стьюарт А. «Многомерный статистический анализ и временные ряды» Москва, «Наука» 1976 г.

Приложение 1. Листинг программы

Основной модуль программы:

program BM2TRAJ;

uses

Forms,

converter in 'converter.pas' {Form1};

{$R *.RES}

begin

Application.Initialize;

Application.CreateForm(TForm1, Form1);

Application.Run;

end.

Функциональный модуль:

unit converter;

interface

uses

Windows, Messages, SysUtils, Classes, Graphics, Controls, Forms, Dialogs,

StdCtrls, Mask, ToolEdit, ExtCtrls, Buttons, PSock;

type

TForm1 = class(TForm)

OutputFile: TFilenameEdit;

Label1: TLabel;

Label2: TLabel;

ConvertBtn: TBitBtn;

BitBtn2: TBitBtn;

Bevel1: TBevel;

InputFile: TFilenameEdit;

procedure BitBtn2Click(Sender: TObject);

procedure ConvertBtnClick(Sender: TObject);

procedure OutputFileAfterDialog(Sender: TObject; var Name: String;

var Action: Boolean);

procedure InputFileAfterDialog(Sender: TObject; var Name: String;

var Action: Boolean);

procedure OutputFileChange(Sender: TObject);

private

{ Private declarations }

public

{ Public declarations }

end;

var

Form1: TForm1;

F1, F2 :Text;

implementation

{$R *.DFM}

procedure DeleteTabs(var s:string);

var p:integer;

begin

s := Trim(s);

while pos(#9, s)>0 do

begin

p := pos(#9, s);

Delete(s, p, 1);

insert(' ', s, p);

end;

s := s + ' ';

end;

function GetNumCols(s: string): integer;

var cols: integer;

begin

DeleteTabs(s);

cols := 0;

while Length(s) > 1 do

begin

inc(cols);

Delete(s, 1, Pos(' ', s)-1);

s := TrimLeft(s);

end;

Result := Cols;

end;

function FindInStrList(var list:TStringList;s:String): integer;

var i: byte;

index: integer;

begin

if list.Find(s,Index)=True then Result := Index+1

else

begin

list.Add(s);

Result := list.Count;

end;

end;

procedure WriteToMatrix(s: string; var Matrix: variant; NumCols: integer);

var p,col: integer;

begin

col:=0;

DeleteTabs(s);

while Length(s) > 1 do

begin

Inc(col);

if Col > NumCols then

raise Exception.Create('Число столбцов больше намеченного !!!');

Matrix[Col, VarArrayHighBound(Matrix,2)]:=copy(s, 1, Pos(' ', s)-1);

Delete(s, 1, Pos(' ', s)-1);

s := TrimLeft(s);

end;

end;

procedure TForm1.BitBtn2Click(Sender: TObject);

begin

Close

end;

procedure TForm1.ConvertBtnClick(Sender: TObject);

var s: string;

Matrix: Variant;

i,j : integer;

Line: integer;

NumCols : integer;

IzvrColsNum, Err: integer;

IsIzvrCol: array of boolean;

SL: array of TStringList;

num: double;

//==========================================================================

begin

// открываем исходный файл

AssignFile(F1, InputFile.FileName);

Reset(F1);

Line := 1;

ReadLn(F1, s);

// если первая строка служебная, то читаем еще одну

if (Pos(' Input ', s)>0)or(Pos(' NotUsed ', s)>0)

or(Pos(' Annote ', s)>0)or(Pos(' Pattern ', s)>0) then

begin

ReadLn(F1, s);

end;

NumCols := GetNumCols(s);

// сохраняем исходный файл в матрицу

Matrix := VarArrayCreate([1, NumCols, 1, 1],varVariant);

WriteToMatrix(s, Matrix, NumCols);

while not EOF(F1) do

begin

inc(Line);

ReadLn(F1, s);

j := VarArrayHighBound(Matrix,1);

VarArrayRedim(Matrix, Line);

WriteToMatrix(s, Matrix, NumCols);

end;

CloseFile(F1);

//============================

// собственно конвертация

//============================

// *.PAT

if OutputFile.FilterIndex=1 then

begin

AssignFile(F2, OutputFile.FileName);

rewrite(F2);

WriteLn(F2, '# Trajan v1.0 Patterns');

WriteLn(F2, '# Automatically generated by BrainMaker --> Trajan converter');

WriteLn(F2, '');

WriteLn(F2, 'no_attributes ', NumCols);

WriteLn(F2, 'no_patterns ',VarArrayHighBound(Matrix,2)-1);

WriteLn(F2, 'attributes ');

// определяем, какие столбцы нормальные, а какие символьные

SetLength(IsIzvrCol, NumCols);

SetLength(SL, NumCols);

for i := 1 to NumCols do

begin

Val(VarToStr(Matrix[i,2]), num, Err);

if Err=0 then IsIzvrCol[i-1]:= false

else IsIzvrCol[i-1]:= true;

end;

// создаем стринглисты для символьных столбцов

// и заносим в них набор значений столбца

for i := 0 to NumCols-1 do

if IsIzvrCol[i] then

begin

SL[i]:=TStringList.Create;

SL[i].Sorted :=TRUE;

for j:=2 to VarArrayHighBound(Matrix,2) do

FindInStrList(SL[i], VarToStr(Matrix[i+1, j]));

end;

// записываем атрибуты

for i := 1 to NumCols do

begin

if IsIzvrCol[i-1] then

begin

Write(F2, 'i ',Matrix[i,1]);

s:='={';

for j:=1 to SL[i-1].Count do

s:=s+SL[i-1].Strings[j-1]+',';

s := Copy(s, 1 , Length(s)-1)+'}';;

WriteLn(F2, s);

end

else

WriteLn(F2, 'i ',Matrix[i,1]);

end;

// записываем значения атрибутов

for i := 2 to VarArrayHighBound(Matrix,2) do

begin

s:=IntToStr(i-1);

if Length(s)=1 then s := '0'+s;

writeln(F2, '!',s,' T');

s := '';

for j:=1 to NumCols do

begin

if IsIzvrCol[j-1] then

s:=s+IntToStr(FindInStrList(SL[j-1], VarToStr(Matrix[j,i])))+#9

else

s:=s+VarToStr(Matrix[j,i])+#9;

end;

WriteLn(F2,s);

end;

CloseFile(F2);

for j:=0 to NumCols-1 do

if IsIzvrCol[j] then

begin

SL[j].Free;

// SL[j]:=nil;

end;

end;

// *.CSV

if OutputFile.FilterIndex=2 then

begin

AssignFile(F2, OutputFile.FileName);

rewrite(F2);

for i := 1 to VarArrayHighBound(Matrix,2) do

begin

s:=',';

for j:=1 to NumCols do

begin

s:=s+VarToStr(Matrix[j,i])+',';

end;

s := Copy(s, 1 , Length(s)-1);

WriteLn(F2,s);

end;

CloseFile(F2);

end;

// *.TXT

if OutputFile.FilterIndex=3 then

begin

AssignFile(F2, OutputFile.FileName);

rewrite(F2);

for i := 1 to VarArrayHighBound(Matrix,2) do

begin

s:=#9;

for j:=1 to NumCols do s:=s+VarToStr(Matrix[j,i])+#9;

s := Copy(s, 1 , Length(s)-1);

WriteLn(F2,s);

end;

CloseFile(F2);

end;

//====================================================================

MessageDlg('Конвертирование успешно завершено. ', mtInformation, [mbOK], 0);

end;

procedure TForm1.OutputFileAfterDialog(Sender: TObject; var Name: String;

var Action: Boolean);

begin

if (InputFile.FileName <> '')and(Name<>'') then

ConvertBtn.Enabled := true

else

ConvertBtn.Enabled := false;

end;

procedure TForm1.InputFileAfterDialog(Sender: TObject; var Name: String;

var Action: Boolean);

begin

if (OutputFile.FileName <> '')and(Name<>'') then

ConvertBtn.Enabled := true

else

ConvertBtn.Enabled := false;

end;

procedure TForm1.OutputFileChange(Sender: TObject);

var s:string;

begin

case OutputFile.FilterIndex of

1: s:='.pat';

2: s:='.csv';

3: s:='.txt';

end;

if ExtractFileExt(OutputFile.FileName)='' then

OutputFile.FileName:=OutputFile.FileName+s;

end;

end.

Приложение 2. Пример работы программы конвертора

Исходный файл (в формате BrainMaker):

Patient PrimDia Diags Admit# Age Heredity Gender LOS

0144 11 2 1 30 low male 142

0195 32 5 4 18 high male 182

0357 25 2 3 37 low female 60

0665 12 2 4 33 high female 80

0892 32 1 2 18 low male 22

0965 1 1 5 26 high male 50

1026 1 1 4 8 unknown female 7

1143 15 5 4 1 unknown male 7

1351 22 2 2 11 low male 7

1758 32 2 1 4 unknown female 14

1853 12 2 4 22 low female 48

1844 21 1 3 30 unknown female 12

Преобразованный файл в формате Trajan (основной формат *.pat):

# Trajan v1.0 Patterns

# Automatically generated by BrainMaker --> Trajan converter

no_attributes 8

no_patterns 12

attributes

i Patient

i PrimDia

i Diags

i Admit#

i Age

i Heredity={high,low,unknown}

i Gender={female,male}

i LOS

!01 T

0144 11 2 1 30 2 2 142

!02 T

0195 32 5 4 18 1 2 182

!03 T

0357 25 2 3 37 2 1 60

!04 T

0665 12 2 4 33 1 1 80

!05 T

0892 32 1 2 18 2 2 22

!06 T

0965 1 1 5 26 1 2 50

!07 T

1026 1 1 4 8 3 1 7

!08 T

1143 15 5 4 1 3 2 7

!09 T

1351 22 2 2 11 2 2 7

!10 T

1758 32 2 1 4 3 1 14

!11 T

1853 12 2 4 22 2 1 48

!12 T

1844 21 1 3 30 3 1 12

Преобразованный файл в формате Trаjan (формат *.csv):

,Patient,PrimDia,Diags,Admit#,Age,Heredity,Gender,LOS

,0144,11,2,1,30,low,male,142

,0195,32,5,4,18,high,male,182

,0357,25,2,3,37,low,female,60

,0665,12,2,4,33,high,female,80

,0892,32,1,2,18,low,male,22

,0965,1,1,5,26,high,male,50

,1026,1,1,4,8,unknown,female,7

,1143,15,5,4,1,unknown,male,7

,1351,22,2,2,11,low,male,7

,1758,32,2,1,4,unknown,female,14

,1853,12,2,4,22,low,female,48

,1844,21,1,3,30,unknown,female,12

Преобразованный файл в формате Trojan (текстовый формат *.txt):

Patient PrimDia Diags Admit# Age Heredity Gender LOS

0144 11 2 1 30 low male 142

0195 32 5 4 18 high male 182

0357 25 2 3 37 low female 60

0665 12 2 4 33 high female 80

0892 32 1 2 18 low male 22

0965 1 1 5 26 high male 50

1026 1 1 4 8 unknown female 7

1143 15 5 4 1 unknown male 7

1351 22 2 2 11 low male 7

1758 32 2 1 4 unknown female 14

1853 12 2 4 22 low female 48

1844 21 1 3 30 unknown female 12

Размещено на Allbest.ru