Видно, что атрибут cup_of_tea_per_day (количество чашек чая в день) вносит наименьший вклад в результирующую функцию. Поэтому, скорее всего, аналитику стоит принять решение «выкинуть» этот атрибут из расчетов значений итоговой функции f.

Соответственно, после этого статистика для важности атрибутов примет следующий вид:

Теперь, когда мы определились, по каким атрибутам мы будем оценивать функцию, можно строить регрессионную модель.

5.2 Задача регрессии.

Решив задачу регрессии, получим результаты. Тут они не приводятся, в виду большого числа атрибутов. Приведем соответствующие невязки:

Видно, что тут погрешности на порядок выше. Это обусловлено «сильной» нелинейностью функции f. Приведем соответствующие погрешности для данного примера:

И достоверность предсказания.

Видно, что метод показал достаточно точные результаты на не линейных функциях!

6 Заключение и выводы

По результатам выполнения работы, средства Data Mining показали перспективность и состоятельность применения к задачам оценки количественных характеристик работ. Результаты, полученные на тестовых модельных данных, показали достаточную точность, чтобы считать средства Data mining пригодными для анализа проектов на основе накопленных данных, полученных с выполненных проектов.

Автор считает целесообразным продолжить исследования по данной тематике, в частности, с использованием реальных данных по проектам, в рамках магистерской работы. Также дальнейшие исследования должны включать вопросы:

· области применимости предложенного метода, выявлению ограничений данного подхода к оценке реальных проектов,

· анализу влияния «шума», всегда присутствующего в данных, характеризующих реальные проекты,

· чувствительности к изменению значений параметров (жесткость системы).

7 Список использованных источников и литературы

1. Руководство PMBOK®, 2004 Project Management Institute, Four Campus Boulevard, Newtown Square, PA 19073-3299 USA / США.

2. Manfred Bundschuh, Carol Dekkers, The IT Measurement Compendium.

3. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP – СПб.: БХВ-Петербург, 2008.

4. http://www.oracle.com/technology/documentation/datamining.html

5. Ньюэл Майкл В. Управление проектами для профессионалов. Руководство по подготовке к сдаче сертификационного экзамена – М.: КУДИЦ-ПРЕСС, 2008.

6. Хардман Р., МакЛафлин М. Oracle PL/SQL для профессионалов – М.: Лори, 2007.

Приложение А.

Таблица данных к примеру 1:

F	PREDICTION	df/f, %	ID	LOE1	LOE2	LOE3	LOE4
198	191.25	3.409	97	26	50	25	84
153	148.124	3.187	3	57	48	22	24
90	92.785	3.095	55	2	43	15	30
112	114.784	2.486	78	51	25	9	22
163	165.785	1.709	63	3	86	51	13
166	163.215	1.678	52	23	44	39	60
262	257.833	1.591	91	93	56	48	52
178	180.785	1.565	79	36	16	47	76
184	186.785	1.514	29	18	14	97	31
184	186.784	1.513	96	30	54	7	89
186	188.785	1.497	19	85	50	43	8
190	192.785	1.466	76	103	63	5	4
197	199.785	1.414	38	48	67	31	51
198	200.785	1.407	59	108	13	4	56
200	202.786	1.393	39	6	52	3	115
201	203.786	1.386	68	6	26	57	102
201	198.215	1.386	13	20	21	88	63
207	209.785	1.345	62	7	17	114	47
230	232.785	1.211	48	111	22	85	8
229	226.26	1.196	67	57	31	22	104
237	239.784	1.175	27	92	37	82	26
238	240.784	1.17	9	91	42	31	71
241	238.215	1.155	71	27	28	13	136
245	247.785	1.137	95	134	8	50	28
242	239.256	1.134	7	45	94	36	56
248	250.784	1.123	20	110	4	121	13
249	246.216	1.118	44	37	45	15	128
255	252.215	1.092	42	38	34	61	106
256	258.785	1.088	14	57	9	11	145
257	259.784	1.083	41	37	71	92	57
257	254.216	1.083	22	8	25	87	128
259	256.216	1.075	93	115	34	74	24
261	258.216	1.067	73	68	43	102	37
262	264.785	1.063	81	39	117	92	14
264	261.214	1.055	53	28	51	120	45
248	250.607	1.051	32	69	19	108	48
266	268.785	1.047	58	19	78	127	26
279	276.214	0.998	94	65	6	149	39
285	282.215	0.977	85	35	84	26	127
290	292.785	0.96	4	86	9	60	135
294	291.216	0.947	82	15	100	32	139
293	290.229	0.946	36	65	17	57	140
301	298.215	0.925	21	31	71	121	77
301	303.785	0.925	28	30	120	56	95
261	263.409	0.923	84	40	143	48	6
302	299.215	0.922	24	123	24	127	28
308	305.216	0.904	10	108	17	37	141
182	180.358	0.902	65	46	41	29	64
311	313.784	0.895	23	129	32	87	57
312	309.214	0.893	2	66	112	68	54
F	PREDICTION	df/f, %	ID	LOE1	LOE2	LOE3	LOE4
319	316.216	0.873	17	144	44	77	32
322	324.785	0.865	45	127	101	47	40
322	324.786	0.865	60	88	66	56	108
324	321.216	0.859	75	109	63	76	63
325	327.784	0.857	70	107	98	59	58
333	335.784	0.836	74	142	69	87	29
335	332.216	0.831	80	66	112	77	67
344	341.215	0.81	40	149	81	41	50
349	351.784	0.798	98	132	72	102	43
350	352.784	0.796	57	55	121	68	106
363	365.784	0.767	16	70	91	114	86
366	363.215	0.761	90	140	50	72	95
370	367.215	0.753	83	37	148	112	73
374	371.216	0.744	18	100	86	129	59
380	377.216	0.733	35	148	84	85	51
382	379.215	0.729	12	136	146	56	44
225	223.382	0.719	69	47	55	73	44
390	387.216	0.714	11	94	52	101	143
284	285.985	0.699	34	47	77	40	110
420	417.216	0.663	72	73	125	138	83
420	417.216	0.663	64	66	90	106	150
432	429.215	0.645	26	149	123	94	66
307	305.055	0.634	77	71	121	59	43
450	447.215	0.619	66	106	120	86	138
200	201.231	0.616	86	38	55	26	77
477	474.216	0.584	46	130	135	104	108
240	238.623	0.574	6	21	18	88	107
325	323.144	0.571	30	147	65	98	15
282	283.49	0.528	51	90	145	10	19
278	276.552	0.521	15	101	29	115	28
269	270.32	0.491	5	4	141	27	83
281	282.27	0.452	61	126	53	29	55
292	293.252	0.429	88	92	3	53	144
291	289.845	0.397	99	137	36	77	23
291	290.081	0.316	25	139	28	52	44
325	325.98	0.302	8	73	149	87	15
308	307.108	0.29	92	144	39	27	76
358	357.043	0.267	87	62	123	71	94
345	344.099	0.261	47	132	51	83	65
237	236.462	0.227	31	7	66	7	131
292	292.476	0.163	43	138	28	49	51
259	259.418	0.162	1	18	43	113	84
292	292.459	0.157	56	114	44	57	62
264	263.898	0.039	89	47	4	137	65
209	209.075	0.036	37	103	10	29	56
277	276.942	0.021	50	104	55	66	42

Таблица данных к примеру 2.

Факультет радиотехники и кибернетики (стр. 5 из 7)

5.2 Задача регрессии.

6 Заключение и выводы

7 Список использованных источников и литературы