Мебельная фабрика девита

Сравнительный анализ по данным Росстата

О методике анализа

Выше приведен сравнительный анализ финансового положения и результатов деятельности организации.
В качестве базы для сравнения взята официальная бухгалтерская отчетность организаций Российской Федерации за 2020,
представленная в базе данных Росстата (2.2 млн. организаций).
Сравнение выполняется по 9 ключевым финансовым коэффициентам (см. таблицу выше).
Сравнение финансовых коэффициентов организации производится с медианным значением показателей всех организаций РФ и организаций в рамках отрасли,
а также с квартилями данных значений. В зависимости от попадания каждого значения в квартиль присваивается
балл от -2 до +2 (-2 – 1-й квартиль, -1 – 2-й квартиль, +1 – 3-й квартиль; +2 – 4-й квартиль;
0 – значение отклоняется от медианы не более чем на 5% разницы между медианой и квартилем, в который попало значение показателя).
Для формирования вывода по результатам анализа баллы обобщаются с равным весом каждого показателя,
в итоге также получается оценка от -2 до +2:

Изменение за год вычисляется путем сравнения итогового балла финансового состояния в рамках отрасли за текущий год с баллом за предыдущий год.
Результат сравнения может быть следующим:

О погрешностях: Данные бухгалтерской отчетности, представленные в базе статистического ведомства, могут содержать технические ошибки. Для сверки данных смотрите бухгалтерскую отчетность
ООО Мебельная Фабрика “ДЕВИТА” по данным Росстата.

Нужен официальный отчет? Если вам требуется письменное заключение по результатам сравнительного анализа,
пишите нам, мы подготовим детальный отчет аудиторской фирмы (услугу оказывают аттестованные аудиторы на платной основе).

Внимание: Представленный анализ не свидетельствует о плохом или хорошем финансовом состоянии организации,
а дает его характеристику относительно других российских предприятий. Для детального финансового анализа воспользуйтесь
программой “Ваш финансовый аналитик”
– загрузить данные в программу >>

Подробности анализа финансового состояния

Один способ подобрать значение K

В других моих курсах по машинному обучению, когда мы обсуждали, как подобрать параметры модели, я обычно отсылал слушателей к перекрёстной проверке. Но поскольку сейчас рассматривается обучение без учителя, у нас нет определения точности и, как правило, нет учебных и проверочных наборов. Именно поэтому данная тема может представлять интерес.

Сейчас мы рассмотрим очень простой и лёгкий способ выбрать K – количество кластеров.

Как вы могли заметить, при увеличении K наша функция затрат всегда уменьшается. Не забывайте, что это сумма квадратов ошибок в кластере. Это значит, что чем ближе все точки к центру кластера, тем меньше будет ошибка. Увеличивая количество кластеров, вы «помогаете» точке оказаться у центра кластера.

Если это не совсем понятно, представьте себе предельный случай, когда K = N, то есть количество кластеров равно количеству данных. В этом случае каждая точка является центром своего собственного кластера, а сам кластер будет состоять из одной этой точки. Тогда общее значение функции затрат будет равно нулю.

Но перебирая значения K от 1 до N, можно заметить кое-что любопытное. График функции затрат приобретает схожесть с хоккейной клюшкой – то есть сначала идёт крутое снижение значения, а затем – очень плавное. Таким образом, существует некоторая точка, после которой увеличение значения K даёт нам лишь незначительное улучшение. Именно в ней данные лучше всего подходят для кластеризации. В этой точке уменьшение K даёт резкое возрастание ошибки, зато увеличение K даёт лишь незначительное уменьшение ошибки, не оправдывающее дальнейшего увеличения K. Вот это значение K, находящееся на изломе «клюшки» и является нужным количеством кластеров.

Правда, надо иметь в виду, что нет никакой гарантии, что график функции затрат относительно K всегда будет иметь именно такой вид. Наведенный мною график соответствует лишь подобранному мною набору данных специально для учебных целей.

В наведенном ниже учебном коде мы продемонстрируем этот эффект. Если вы не хотите писать код самостоятельно, то соответствующий файл на github называется choose_k.py.

Итак, начнём с импорта необходимых библиотек.

import numpy as np

import matplotlib.pyplot as plt

from kmeans import plot_k_means, get_simple_data, cost

И далее идёт простенькая программа. Мы берём простейшие данные и перебираем количество кластеров от 1 до 10 (поскольку количество кластеров, равное нулю, не имеет смысла).

def main():

  X = get_simple_data()

    plt.scatter(X, X)

    plt.show()

  costs = np.empty(10)

  costs = None

  for k in xrange(1, 10):

    M, R = plot_k_means(X, k, show_plots=False)

    c = cost(X, R, M)

    costs = c

  plt.plot(costs)

  plt.title(“Cost vs K”)

  plt.show()

if __name__ == ‘__main__’:

main()

Запустим программу и посмотрим, что получится.

Вначале мы видим наши данные, сгенерированные вокруг трёх гауссовых облаком.

Затем график функции затрат относительно K.

Как вы можете видеть, крутое снижение заканчивается, когда K = 3. Таким образом, K = 3 – это нужное количество кластеров.

Post Views: 1 160

Список источников

• www.testfirm.ru
• craftappmobile.com