NN

今日，ゼミがあった．
その中で，ニューラルネットワークによる株価予測なる研究発表があった．
株価の変化には，さまざまな要因があり，それぞれの要因の株価への影響は簡単には分からない．
これをＮＮにより解決し，株価の予測を行うというものである．
しかしながら，単純にＮＮを利用しただけでは精度を上げることができないので，ラフ集合の概念により前処理を行うこととする．
そして，結果への影響が大きい要因だけを利用し，サブＮＮにて解析を行う．
このサブＮＮによるn個の結果から，多数決により最終的な結果が出力される．
しかしながら，ラフ集合による前処理の際に，結果への影響が大きい要因だけを取り出すことにより，なぜ精度が上がるのかが不明．
# そもそも，結果への影響が大きい要因のみを取り出せれば，ＮＮは必要ない．
基本的にラフ集合においては，100[%]となるルールのみを抽出するが，実データにおいては100[%]のルールはほとんど存在しないことから，80[%]程度のルールも抽出することとしている．
このようにして前処理されたデータに対してＮＮにより解析を行っている．
これは，前処理を行わずにＮＮで解析する場合と何が違うのか？
ＮＮにおいては，各要因の結果への影響が不明であっても，ＢＰ等の学習により，自動的にそれぞれの重みを更新し，正しい値を出力できるのが利点であると考えられる．
この部分をラフ集合の前処理で置き換えているので，ＮＮの利点が生かされないように見える．
せめて，ラフ集合で100[%]ではない不十分な点をＮＮで補っている，等の利点が示せればよいのだが．．．