STATISTICA-nı əvəz etmək üçün alternativlər. Neyron şəbəkələri

STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri dünyada tam rus dilinə tərcümə edilmiş yeganə neyron şəbəkə proqram məhsuludur!

Neyron şəbəkə metodologiyaları fundamental tədqiqatlardan tutmuş verilənlərin təhlilinin praktiki tətbiqlərinə, biznes, sənaye və s. kimi müxtəlif sahələrdə getdikcə geniş yayılmaqdadır.

bazarda ən qabaqcıl və effektiv neyron şəbəkə məhsullarından biridir. Bir çox unikal üstünlüklər və zəngin xüsusiyyətlər təklif edir. Məsələn, avtomatik neyron şəbəkə axtarış alətinin unikal imkanları, , sistemin təkcə neyron şəbəkələri üzrə mütəxəssislər tərəfindən deyil, həm də neyron şəbəkə hesablamaları sahəsində yeni başlayanlar tərəfindən istifadə edilməsinə imkan verir.

İstifadə etməyin üstünlükləri nələrdir ?

Məlumatların seçilməsi, nominal kodlaşdırma, miqyaslama, normallaşdırma, təsnifat, reqressiya və zaman seriyası problemləri üçün şərh ilə çatışmayan məlumatların aradan qaldırılması daxil olmaqla, əvvəlcədən və sonrakı emal;

Müstəsna istifadə rahatlığı və misilsiz analitik güc; məsələn, unikal avtomatik neyron şəbəkə axtarış aləti Avtomatlaşdırılmış neyron şəbəkəsi (ANN) istifadəçini müxtəlif neyron şəbəkələrinin yaradılmasının bütün mərhələlərində istiqamətləndirəcək və ən yaxşısını seçəcək (əks halda bu vəzifə uzun “sınaq və səhv” prosesi ilə həll olunur və nəzəriyyədə ciddi bilik tələb edir);

Ən müasir, optimallaşdırılmış və güclü şəbəkə təlimi alqoritmləri (o cümlədən konjugat gradient metodları, Levenberg-Marquardt alqoritmi, BFGS, Kohonen alqoritmi); aktivləşdirmə və səhv funksiyaları, şəbəkə mürəkkəbliyi kimi şəbəkə keyfiyyətinə təsir edən bütün parametrlərə tam nəzarət;

Neyron şəbəkələrinin ansambllarına və demək olar ki, qeyri-məhdud ölçülü neyron şəbəkə arxitekturasına dəstək;

İnteraktiv kəşfiyyat təhlilini asanlaşdıran zəngin qrafik və statistik imkanlar;

Sistemlə tam inteqrasiya STATİSTİKA; bütün nəticələr, qrafiklər, hesabatlar və s. güclü qrafik və analitik vasitələrdən istifadə etməklə əlavə olaraq dəyişdirilə bilər STATİSTİKA(məsələn, proqnozlaşdırılan qalıqları təhlil etmək, ətraflı hesabat yaratmaq və s.);

Güclü avtomatlaşdırılmış alətlərlə problemsiz inteqrasiya STATİSTİKA; hər hansı bir analiz üçün tam hüquqlu makroların qeyd edilməsi; istifadə edərək öz neyron şəbəkə analizlərinizi və tətbiqlərinizi yaratmaq STATİSTİKA Visual Basic problemi STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri COM texnologiyasını dəstəkləyən hər hansı proqramdan (məsələn, MS Excel elektron cədvəlində avtomatik neyron şəbəkə təhlili və ya C, C++, C#, Java və s. dillərində yazılmış bir neçə xüsusi proqramların birləşdirilməsi).

Çoxlaylı qavrayışlar, radial əsas funksiyalar və özünü təşkil edən xüsusiyyət xəritələri daxil olmaqla ən populyar şəbəkə arxitekturalarının seçimi.
Alət mövcuddur Avtomatik Şəbəkə Axtarışı, avtomatik olaraq müxtəlif neyron şəbəkə arxitekturalarını qurmağa və onların mürəkkəbliyini tənzimləməyə imkan verir.
Ən yaxşı neyron şəbəkələrinin qorunması.

Reqressiya, təsnifat, davamlı və kateqoriyalı asılı dəyişən ilə zaman sıraları, ölçülərin azaldılması və vizuallaşdırılması üçün klaster təhlili daxil olmaqla, müxtəlif statistik təhlil və proqnozlaşdırıcı modellərin qurulmasını dəstəkləyin.

Çoxlu modellərin yüklənməsini və təhlilini dəstəkləyir.

Öz proqramlarınızı yaratmaq üçün asanlıqla xarici mühitə inteqrasiya oluna bilən C, C++, C#, Java, PMML (Predictive Model Markup Language) dillərində mənbə kodu yaratmaq üçün isteğe bağlı qabiliyyət.

Kod generatoru

Kod generatoru STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri C, Java və PMML (Predictive Model Markup Language) dillərində neyron şəbəkə modelləri üçün mənbə sistem proqram kodunu yarada bilər. Kod generatoru sistem üçün əlavə proqramdır STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri Bu, istifadəçilərə neyron şəbəkə təhlili əsasında modellərin mənbə kodu ilə C və ya Java faylı yaratmağa və onu müstəqil xarici proqramlara inteqrasiya etməyə imkan verir.

Kod generatoru tələb edir STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri.

Neyron şəbəkəsinin mənbə kodunun versiyasını yaradır (C, C++, C# və ya Java-da fayl kimi).

C və ya Java kod faylı daha sonra xarici proqramlara daxil edilə bilər.

STATİSTİKAAvtomatlaşdırılmış Neyron şəbəkələri neyron şəbəkə hesablamalarında

Neyroşəbəkələrin istifadəsi neyroşəbəkə metodlarından istifadə etməklə məlumatların emal edilməsindən daha çox şeyi əhatə edir.

STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) nəinki ən yeniləri də daxil olmaqla, çox mürəkkəb tapşırıqların öhdəsindən gəlmək üçün müxtəlif funksionallıq təmin edir Neyron Şəbəkə Arxitekturaları Və Öyrənmə alqoritmləri, həm də müxtəlif aktivləşdirmə və səhv funksiyalarını sadalamaq imkanı ilə neyron şəbəkəsi arxitekturalarının qurulmasına yeni yanaşmalar, nəticələrin şərhini asanlaşdırır. Bundan əlavə, proqram tərtibatçıları və tətbiq parametrləri ilə sınaqdan keçirən istifadəçilər sadə və intuitiv interfeysdə müəyyən təcrübələr apardıqdan sonra bunu qiymətləndirəcəklər. STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN),neyron şəbəkə analizləri xüsusi proqramda birləşdirilə bilər. Buna ya COM funksiyası kitabxanasından istifadə etməklə nail olmaq olar STATİSTİKA, proqramın bütün funksionallığını tam əks etdirən və ya proqram tərəfindən yaradılan və tam öyrədilmiş neyron şəbəkəsini idarə etməyə kömək edən C/C++ dilində koddan istifadə.

Modul STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri sistemlə tam inteqrasiya olunub STATİSTİKA Beləliklə, təhlil üçün məlumatların redaktə edilməsi (hazırlanması) üçün alətlərin böyük seçimi (çevirmələr, müşahidələrin seçilməsi şərtləri, məlumatların yoxlanılması vasitələri və s.) mövcuddur.

Bütün testlər kimi STATİSTİKA, proqram yerində emal alətlərindən istifadə edərək uzaq verilənlər bazasına "qoşula" və ya canlı məlumatlarla əlaqələndirilə bilər ki, modellər öyrədilsin və ya hər dəfə məlumat dəyişdikdə avtomatik olaraq işə salınsın (məsələn, proqnozlaşdırılan dəyərləri və ya təsnifatı hesablamaq üçün) .

Məlumat miqyası və nominal dəyərin çevrilməsi

Məlumatlar şəbəkəyə daxil edilməzdən əvvəl onlar müəyyən şəkildə hazırlanmalıdır. Çıxış məlumatlarının düzgün şərh edilməsi də eyni dərəcədə vacibdir. IN STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) giriş və çıxış məlumatlarını avtomatik miqyaslaşdırmaq mümkündür; Nominal dəyərləri olan dəyişənlər avtomatik olaraq yenidən kodlana bilər (məsələn, Gender=(Kişi, Qadın)), o cümlədən 1-of-N kodlaşdırma metodundan istifadə etməklə. STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) həmçinin itkin məlumatlarla işləmək üçün alətləri ehtiva edir. Zaman sıralarının təhlili üçün xüsusi olaraq hazırlanmış məlumatların hazırlanması və şərhi vasitələri var. Çox sayda oxşar alətlər də tətbiq olunur STATİSTİKA.

Təsnifat məsələlərində etimad intervallarını təyin etmək olar ki STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) sonra bu və ya digər sinfə müşahidələr təyin etmək üçün istifadə olunur. Xüsusi ilə birlikdə həyata keçirilir STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Softmax aktivləşdirmə funksiyası və çarpaz entropiya xətası funksiyaları təsnifat problemlərinə fundamental ehtimal-nəzəri yanaşma təmin edir.

Neyron şəbəkə modelinin, neyron şəbəkələrin ansambllarının seçilməsi

Neyroşəbəkə modellərinin müxtəlifliyi və təyin edilməli olan çoxlu parametrlər (şəbəkə ölçüləri, öyrənmə alqoritm parametrləri və s.) bəzi istifadəçiləri çaşdıra bilər. Ancaq buna görə avtomatik neyron şəbəkə axtarışı vasitəsi var, , avtomatik olaraq istənilən mürəkkəblikdə uyğun şəbəkə arxitekturasını axtara bilən, aşağıya baxın. Sistemdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Praktiki məsələlərin həllində istifadə olunan bütün əsas növ neyron şəbəkələri həyata keçirilmişdir, o cümlədən:

çoxqatlı perseptronlar (birbaşa siqnal ötürülməsi olan şəbəkələr);

radial əsaslı funksiyalara əsaslanan şəbəkələr;

özünü təşkil edən Kohonen xəritələri.

Yuxarıda göstərilən arxitekturalar reqressiya, təsnifat, zaman sıraları (davamlı və ya kateqoriyalı asılı dəyişənlərlə) və klasterləşdirmə problemlərində istifadə olunur.

Bundan əlavə, sistemdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) həyata keçirilən Şəbəkə ansamblları, yuxarıdakı şəbəkələrin təsadüfi (lakin əhəmiyyətli) birləşmələrindən əmələ gəlir. Bu yanaşma xüsusilə səs-küylü və aşağı ölçülü məlumatlar üçün faydalıdır.

Paketdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN)İstifadəçiyə uyğun şəbəkə arxitekturasını seçməkdə kömək etmək üçün çoxsaylı alətlər mövcuddur. Sistemin statistik və qrafik vasitələrinə bütün əhali üçün və fərdi müşahidələr üçün histoqramlar, matrislər və xəta qrafikləri, düzgün/yanlış təsnifat üzrə yekun məlumatlar və bütün vacib statistik məlumatlar, məsələn, dispersiyanın izah edilmiş nisbəti avtomatik hesablanır.

Paketdəki məlumatları vizuallaşdırmaq üçün STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Səpələnmə qrafikləri və 3D cavab səthləri istifadəçiyə şəbəkənin “davranışını” başa düşməyə kömək etmək üçün həyata keçirilir.

Əlbəttə ki, sadalanan mənbələrdən əldə edilən istənilən məlumatı başqa vasitələrlə əlavə təhlil etmək üçün istifadə edə bilərsiniz. STATİSTİKA, həmçinin hesabatlara sonradan daxil etmək və ya fərdiləşdirmə üçün.

STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) tapşırığı sınaqdan keçirərkən əldə etdiyiniz ən yaxşı şəbəkə seçimini avtomatik olaraq xatırlayır və istədiyiniz zaman ona müraciət edə bilərsiniz. Şəbəkənin faydalılığı və onun proqnozlaşdırma qabiliyyəti avtomatik olaraq müşahidələrin xüsusi test toplusunda, həmçinin şəbəkənin ölçüsünü, səmərəliliyini və səhv təsnifat xərclərini qiymətləndirmək yolu ilə yoxlanılır. -də həyata keçirilir STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Avtomatik çarpaz doğrulama və çəki tənzimləmə prosedurları sizə şəbəkənizin verilmiş tapşırıq üçün az və ya həddindən artıq mürəkkəb olub olmadığını tez öyrənməyə imkan verir.

Paketdəki performansı yaxşılaşdırmaq üçün STATISTICA Avtomatlaşdırılmış Neyron ŞəbəkələriÇoxsaylı şəbəkə konfiqurasiya variantları təqdim olunur. Beləliklə, siz reqressiya problemlərində xətti çıxış şəbəkə qatını və ya ehtimal qiymətləndirməsi və təsnifat problemlərində softmax aktivləşdirmə funksiyasını təyin edə bilərsiniz. Sistem həmçinin məlumat nəzəriyyəsi modellərinə əsaslanan çarpaz entropiya xətası funksiyalarını və həm gizli, həm də çıxış neyronları üçün Eyni, Eksponensial, Hiperbolik, Logistik (siqmoid) və Sinus funksiyaları daxil olmaqla bir sıra xüsusi aktivləşdirmə funksiyalarını həyata keçirir.

Avtomatlaşdırılmış neyron şəbəkəsi (avtomatik axtarış və müxtəlif neyron şəbəkə arxitekturalarının seçilməsi)

Paketin bir hissəsi STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) avtomatik neyron şəbəkə axtarış vasitəsidir, Avtomatlaşdırılmış neyron şəbəkəsi (ANN) - Avtomatlaşdırılmış Şəbəkə Axtarışı (ANS), müxtəlif arxitekturaya və mürəkkəbliyə malik bir çox neyron şəbəkələrini qiymətləndirir və verilən tapşırıq üçün ən yaxşı arxitekturaya malik şəbəkələri seçir.

Neyron şəbəkə yaratarkən, evristik axtarışdan istifadə edərək uyğun dəyişənlərin seçilməsinə və şəbəkə arxitekturasının optimallaşdırılmasına əhəmiyyətli vaxt sərf olunur. STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) bu işi öz üzərinə götürür və sizin üçün avtomatik olaraq evristik axtarış aparır. Bu prosedur giriş ölçüsünü, şəbəkə tipini, şəbəkə ölçülərini, aktivləşdirmə funksiyalarını və hətta tələb olunan çıxış xətası funksiyalarını nəzərə alır.

Bu, ən yaxşı şəbəkə arxitekturasını avtomatik tapmağa imkan verən mürəkkəb texnikalardan istifadə edərkən son dərəcə təsirli vasitədir. Kompüterinizin qarşısında saatlarla oturmaq yerinə sistemə icazə verin STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) bu işi sizin üçün edin.

Ən yaxşı şəbəkə növünü və arxitekturasını tapmaq üçün təcrübələrinizin müvəffəqiyyəti əhəmiyyətli dərəcədə şəbəkə öyrənmə alqoritmlərinin keyfiyyətindən və sürətindən asılıdır. Sistemdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Bu günə qədər ən yaxşı təlim alqoritmləri tətbiq edilmişdir.

Sistemdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) iki sürətli ikinci dərəcəli alqoritmlər həyata keçirilir - konjugat gradient üsulları və BFGS alqoritmi. Sonuncu son dərəcə güclü müasir qeyri-xətti optimallaşdırma alqoritmidir və mütəxəssislər ondan istifadə etməyi çox tövsiyə edirlər. BFGS alqoritminin daha az yaddaş tələb edən sadələşdirilmiş versiyası da mövcuddur ki, bu da kompüterin RAM imkanları kifayət qədər məhdud olduqda sistem tərəfindən istifadə olunur. Bu alqoritmlər Gradient Descent kimi birinci dərəcəli dəqiq alqoritmlərə nisbətən daha sürətli birləşir və daha dəqiq həll yaradır.

Sistemdə şəbəkə təliminin iterativ prosesi STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) cari məşq xətasının və sınaq dəstində ondan asılı olmayaraq hesablanmış xətanın avtomatik ekranı ilə müşayiət olunur və ümumi xətanın qrafiki də göstərilir. İstənilən vaxt sadəcə düyməni basmaqla məşqi dayandıra bilərsiniz. Bundan əlavə, təlimin kəsiləcəyi dayanma şərtlərini təyin etmək mümkündür; belə bir vəziyyət, məsələn, müəyyən bir səhv səviyyəsinə nail olmaq və ya müəyyən sayda keçid - "dövrlər" (şəbəkənin sözdə yenidən hazırlanmasını göstərir) üzərində test səhvinin sabit artması ola bilər. Həddindən artıq uyğunlaşma baş verərsə, istifadəçi narahat olmamalıdır: STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) təlim prosesi zamanı əldə edilən ən yaxşı şəbəkənin nümunəsini avtomatik olaraq xatırlayır və bu şəbəkə seçiminə həmişə müvafiq düyməni basmaqla daxil olmaq olar. Şəbəkə təlimi başa çatdıqdan sonra onun işinin keyfiyyətini ayrıca test dəstində yoxlaya bilərsiniz.

Şəbəkə öyrədildikdən sonra onun işinin keyfiyyətini yoxlamaq və xüsusiyyətlərini müəyyən etmək lazımdır. Bu məqsədlə paketdə STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) Ekrandakı statistika və qrafik alətlər dəsti var.

Bir neçə model (şəbəkələr və ansambllar) göstərildiyi təqdirdə (mümkünsə) STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) müqayisəli nəticələri göstərəcək (məsələn, bir qrafikdə bir neçə modelin qrafik cavab əyriləri və ya bir cədvəldə bir neçə modelin proqnozlaşdırıcılarını təqdim edir). Bu xüsusiyyət eyni verilənlər toplusunda öyrədilmiş müxtəlif modelləri müqayisə etmək üçün çox faydalıdır.

Bütün statistik məlumatlar istifadəçinin ixtiyarına uyğun olaraq təlim, yoxlama və sınaq dəstləri və ya onların hər hansı kombinasiyası üçün ayrıca hesablanır.

Aşağıdakı ümumi statistika avtomatik olaraq hesablanır: şəbəkənin orta kvadrat xətası, təsnifat problemləri üçün çaşqınlıq matrisi (burada bütün düzgün və yanlış təsnifat halları ümumiləşdirilir) və reqressiya problemləri üçün korrelyasiya. Kohonen şəbəkəsində şəbəkə elementlərinin aktivləşdirilməsini vizual olaraq müşahidə edə biləcəyiniz Topoloji Xəritə pəncərəsi var.

Hazır həllər (xüsusi tətbiqlərdən istifadə edərək STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri)

Sadə və rahat sistem interfeysi STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) problemlərinizi həll etmək üçün tez bir zamanda neyron şəbəkə proqramları yaratmağa imkan verir.

Belə bir vəziyyət yarana bilər ki, bu həlləri mövcud sistemə inteqrasiya etmək, məsələn, onları daha geniş hesablama mühitinin bir hissəsi etmək lazımdır (bunlar ayrıca işlənib hazırlanmış və korporativ hesablama sisteminə daxil edilmiş prosedurlar ola bilər).

Təlim edilmiş neyron şəbəkələri bir neçə yolla yeni verilənlər toplusuna (proqnozlaşdırma üçün) tətbiq oluna bilər: Siz təlim keçmiş şəbəkələri saxlaya və sonra onları yeni verilənlər toplusuna tətbiq edə bilərsiniz (proqnozlaşdırma, təsnifat və ya proqnozlaşdırma üçün); Siz C (C++, C#) və ya Visual Basic dillərində proqram kodunu avtomatik yaratmaq üçün kod generatorundan istifadə edə və sonra ondan hər hansı vizual əsas və ya C++ (C#) proqramlaşdırma mühitində yeni məlumatları proqnozlaşdırmaq üçün istifadə edə bilərsiniz, yəni tam öyrədilmiş neyron şəbəkəsini öz kompüterinizə yerləşdirə bilərsiniz. tətbiq. Nəticə olaraq, bütün sistemin funksionallığı STATİSTİKA, o cümlədən STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN), digər proqramlarda (məsələn, Java, MS Excel, C#, VB.NET və s.) COM obyektləri (Component Object Model) kimi istifadə oluna bilər. Məsələn, istifadə edərək yaradılmış avtomatlaşdırılmış təhlili həyata keçirə bilərsiniz STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) MS Excel cədvəllərində.

Öyrənmə alqoritmlərinin siyahısı

Qradient eniş

Birləşən gradientlər

Kohonen məşqi

Radial Əsas Funksiya Şəbəkəsi üçün K-Means Metodu

Şəbəkə ölçüsü məhdudiyyətləri

Neyroşəbəkə demək olar ki, istənilən ölçüdə ola bilər (yəni onun ölçüləri əslində zəruri və ağlabatan olandan dəfələrlə böyük götürülə bilər); çoxqatlı qavrayışlar şəbəkəsi üçün neyronların bir gizli təbəqəsinə icazə verilir. Əslində, hər hansı bir praktiki tapşırıq üçün proqram yalnız kompüterin aparat imkanları ilə məhdudlaşır.

e-təlimat

Sistemin bir hissəsi kimi STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN) neyroşəbəkələrə tam və aydın girişi, eləcə də nümunələri təqdim edən yaxşı illüstrasiyalı dərslik var. Ətraflı, kontekstdən asılı olan yardım sistemi istənilən dialoq qutusunda mövcuddur.

Mənbə kodu generator

Mənbə kodu generatoru istifadəçilərə sistem əsasında öz proqramlarını asanlıqla yaratmağa imkan verən əlavə məhsuldur STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN). Bu əlavə məhsul neyroşəbəkə modelinin mənbə sistem kodunu yaradır (C, C++, C# və ya Java-da fayl kimi), onu ayrıca tərtib etmək və pulsuz paylamaq üçün proqramınıza inteqrasiya etmək olar. Bu məhsul xüsusi olaraq korporativ sistem tərtibatçıları, həmçinin yaradılmış yüksək optimallaşdırılmış prosedurları çevirməli olan istifadəçilər üçün nəzərdə tutulmuşdur. STATISTICA Avtomatlaşdırılmış Neyron Şəbəkələri (SANN), mürəkkəb analitik problemləri həll etmək üçün xarici tətbiqlərə. (Qeyd edək ki, icazə almaq üçün istifadəçilər yaradılan koddan istifadə edərək proqramların paylanması barədə saytların əməkdaşlarını məlumatlandırmalıdırlar).

STATISTICA-da davamlı proqnozlaşdırma problemi reqressiya problemi kimi təqdim olunur. Bu problemin kontekstində neyron şəbəkəsi qeyri-xətti funksiya kimi qəbul edilir, onun mürəkkəbliyi “yarıparametrik” olaraq idarə olunur - şəbəkədəki elementlərin sayı həllin mürəkkəbliyinə təsir edir, lakin əlbəttə ki, analitik reqressiya funksiyasının açıq formasını görə bilmir.

Keçən nəqliyyatın sayı və növündən asılı olaraq atmosferə qurğuşun emissiyasını hesablayan neyron şəbəkəsinin qurulması tələb olunur. Məlumat Lead.xls faylında saxlanılır.

Statistica paketində Svinets.xls faylını açın. Açıq Fayl pəncərəsi görünür.

düyü. 4. 33. İdxal pəncərəsi.

Siz “Seçilmiş vərəqi idxal et” seçimini və məlumat vərəqinin adını seçməlisiniz:

düyü. 4. 34. Statistica paketinə idxal üçün Excel vərəqinin seçilməsi.

Növbəti pəncərədə, bir qayda olaraq, avtomatik olaraq təyin olunan və göstərilən (son üç onay qutusu istisna olmaqla) real məlumat parametrlərini göstərməlisiniz.

düyü. 4. 35. İdxal sahəsinin qurulması.

Bundan sonra, idxal edilmiş məlumatlar pəncərədə görünəcək.

düyü. 4. 36. Nəticələri idxal edin.

Neyron şəbəkələrdən istifadə edərək analiz paketini işə salın. Bunu etmək üçün "Analiz" menyusundan "Neyron Networks" seçin.

düyü. 4. 37. Məlumatların emalı metodunun seçilməsi – “neyron şəbəkəsi”.

bundan sonra STATISTICA Neyron Networks paketi pəncərəsi görünəcək:

düyü. 4. 38. “Neyron şəbəkələri” təhlili üçün başlanğıc pəncərəsi.

Tapşırıq növünü təyin etməli olduğunuz "Tez" sekmesine keçin - Reqressiya və alət - Şəbəkə Dizayneri.

düyü. 4. 39. Neyron şəbəkə dizaynerinin işə salınması.

Sonra, "OK" düyməsini basaraq, çıxış (asılı) və giriş (müstəqil) dəyişənlərin seçilməsi rejiminə keçəcəksiniz. Birinci olaraq “Aparıcı” nı, sonuncu olaraq isə bütün kateqoriyalardakı avtomobillərin sayını seçirik. "Xeyr" və "Küçə" sütunları istifadə olunmamış qalır.

düyü. 4. 40. Neyroşəbəkə üçün giriş və çıxış məlumatlarının seçilməsi.

"Ok" düyməsini klikləməklə siz "Tez" sekmesine qayıdacaqsınız. Sonra yenidən “Ok” düyməsini sıxmaqla siz neyron şəbəkəsinin formalaşması pəncərəsinə aparılacaqsınız. "Sürətli" sekmesinde, şəbəkə növünü seçməlisiniz - çox qatlı qəbuledici,

düyü. 4. 41. Neyron şəbəkəsinin növünün seçilməsi.

və "Elementlər" sekmesinde tələb olunan təbəqələrin sayını, hər birindəki neyronların sayını, həmçinin aktivləşdirmə funksiyasının növünü təyin edə bilərsiniz:

düyü. 4. 42. Neyronların təbəqələrinin və növlərinin sayının təyini.

düyü. 4. 43. Neyron şəbəkənin öyrədilməsi metodunun seçilməsi.

Burada “Nümunələr” düyməsini sıxmaqla siz təlim, nəzarət və sınaq nümunələrinin sayını təyin edə bilərsiniz. Sınaq və nəzarət nümunələrinin sayını sıfıra bərabər təyin etsəniz, şəbəkə bütün nümunələrdən istifadə etməklə öyrədiləcək:

düyü. 4. 44. Təlim və sınaq üçün məlumatları müəyyənləşdirin.

Əsas təlim pəncərəsinə qayıdaraq, "İstifadəçi" düyməsini sıxıb "İnteraktiv" sekmesine keçə bilərsiniz, təlim prosesinin qrafik şəklində əks olunmasını xahiş edə bilərsiniz:

düyü. 4. 45. Təlim prosesini nümayiş etdirmək üçün qrafikin növünün müəyyən edilməsi.

Nəhayət, “Ok” düyməsini sıxmaqla siz öyrənmə prosesinə başlayacaqsınız, nəticəsi qrafikdə göstəriləcək:

düyü. 4. 46. Neyron şəbəkənin hazırlanması.

"Ok" düyməsini klikləməklə, siz nəticələr pəncərəsinə aparılacaqsınız, burada pəncərə nişanları arasında hərəkət edərək yaradılmış şəbəkənin müxtəlif xüsusiyyətlərini öyrənə bilərsiniz:

düyü. 4. 47. Neyron şəbəkəsinin modelləşdirilməsinin nəticələri.

Beləliklə, məsələn, "Qabaqcıl" sekmesinde "Şəbəkə memarlığı" düyməsi var, üzərinə klikləməklə qurulmuş şəbəkənin topologiyasını görə bilərsiniz:

düyü. 4. 48. Qurulmuş neyron şəbəkənin görünüşü.

həmçinin “İstifadəçi Müşahidələri” düyməsi, burada siz şəbəkəyə yeni ilkin məlumatlar verə və artıq təlim keçmiş şəbəkədən cavab ala bilərsiniz.

Məlumatların təhlilində neyrokompüter dilləri ilə statistika arasında hansı oxşarlıqlar və fərqlər var? Sadə bir misala baxaq.

Tutaq ki, bizdə var müşahidələr və eksperimental olaraq ölçülür N funksional əlaqəni təmsil edən cüt nöqtələr. Bu nöqtələrdən ən yaxşı düz xətti çəkməyə çalışsanız, statistikanın dilində naməlum asılılığı təsvir etmək üçün istifadə etmək mənasını verəcəkdir. xətti model

(burada müşahidə zamanı səs-küyü ifadə edir), onda müvafiq məsələnin həlli xətti reqressiya kvadratiklərin cəmini minimuma endirən parametrlərin təxmin edilən dəyərlərini tapmaq üçün azaldılacaqdır. qalıqlar.

Parametrlər tapılarsa, dəyəri təxmin etmək olar y istənilən dəyər üçün x, yəni həyata keçirmək interpolyasiya Və ekstrapolyasiya data.

Eyni problem tək girişli və tək qatlı şəbəkədən istifadə etməklə həll edilə bilər xəttiçıxış neyronu. Bağlantı çəkisi a və həddi b qalığın eyni dəyərini minimuma endirməklə əldə edilə bilər (bu halda orta kök kvadrat adlanacaq) səhv) zamanı təlimşəbəkələr, məsələn, geri yayılma metodundan istifadə etməklə. Neyron şəbəkənin xüsusiyyəti ümumiləşdirmə sonra giriş dəyərindən çıxış dəyərini proqnozlaşdırmaq üçün istifadə olunacaq.

Şəkil 25. Xətti reqressiya və onu həyata keçirən birqatlı perseptron.

Bu iki yanaşmanı müqayisə edərkən dərhal diqqəti cəlb edən odur ki, onların metodlarını təsvir edərkən statistika düsturlar Və tənliklər, və neyrokomputasiya üçün sinir arxitekturalarının qrafik təsviri.

1 Sol yarımkürənin düstur və tənliklərlə, sağ yarımkürənin isə qrafik təsvirlərlə işlədiyini xatırlasaq, o zaman statistika ilə müqayisədə başa düşə bilərik ki, “ sağ yarımkürə” neyron şəbəkə yanaşması.

Digər əhəmiyyətli fərq, statistik metodlar üçün uyğunsuzluğun necə minimuma endirilməsinin əhəmiyyəti yoxdur - hər halda model eyni qalır, halbuki neyrokompüter üçün əsas rol oynayır tədris metodu. Başqa sözlə, neyron şəbəkə yanaşmasından fərqli olaraq, statistik metodlar üçün model parametrlərinin qiymətləndirilməsi minimuma endirmə metodundan asılı deyildir. Eyni zamanda, statistiklər qalıq tipindəki dəyişiklikləri nəzərdən keçirəcəklər

Necə modelində əsaslı dəyişiklik.

Çox vaxt şəbəkələrin təliminə sərf olunan neyron şəbəkə yanaşmasından fərqli olaraq, statistik yanaşmada bu vaxt problemin hərtərəfli təhlilinə sərf olunur. Bu, sahəyə xas olan məlumatların və məlumatların təhlili əsasında model seçmək üçün statistiklərin təcrübəsindən istifadə edir. Neyroşəbəkələrin - bu universal yaxınlaşdırıcıların istifadəsi adətən aprior biliklərdən istifadə etmədən həyata keçirilir, baxmayaraq ki, bəzi hallarda çox faydalıdır. Məsələn, nəzərdən keçirilən xətti model üçün, kök orta kvadrat xətadan istifadə səs-küyün dəyəri bütün təlim cütləri üçün eyni dispersiya ilə normal paylanmaya malik olduqda onun parametrlərinin optimal qiymətləndirilməsinə gətirib çıxarır. Eyni zamanda, bu dispersiyaların fərqli olduğu məlumdursa, istifadə çəkili səhv funksiyaları

əhəmiyyətli dərəcədə daha yaxşı parametr qiymətləri verə bilər.

Nəzərdən keçirilən ən sadə modelə əlavə olaraq, başqa, müəyyən mənada, ekvivalent statistik modellərə və neyron şəbəkə paradiqmalarına nümunələr verə bilərik.

Cədvəl 3. Oxşar texnikalar

Hopfield şəbəkəsinin məlumatların klasterləşdirilməsi və faktor təhlili ilə açıq əlaqəsi var.

1 Faktor təhliliöyrənmək üçün istifadə olunur strukturlar data. Onun əsas müddəası belə əlamətlərin mövcudluğu fərziyyəsidir - amillər birbaşa müşahidə edilə bilməyən, lakin bir neçə müşahidə edilə bilən əsas xüsusiyyətlərlə qiymətləndirilə bilər. Məsələn, kimi əlamətlər istehsal həcmi Və əsas vəsaitlərin dəyəri, kimi faktoru müəyyən edə bilər istehsalın miqyası. Təlim tələb edən neyron şəbəkələrdən fərqli olaraq, faktor analizi yalnız müəyyən sayda müşahidələrlə işləyə bilər. Prinsipcə, bu cür müşahidələrin sayı dəyişənlərin sayından yalnız bir çox olmalıdır, lakin qiymətlərin ən azı üç qatından istifadə etmək tövsiyə olunur. Bu, hələ də neyron şəbəkəsi üçün təlim nümunəsinin ölçüsündən az hesab olunur. Buna görə də, statistiklər faktor analizinin daha az məlumatdan istifadə edilməsində və buna görə də daha sürətli model yaradılmasına səbəb olan üstünlüyünü qeyd edirlər. Bundan əlavə, bu, faktor təhlili metodlarının həyata keçirilməsi üçün daha az güclü hesablama vasitələri tələb edir. Faktor analizinin digər üstünlüyü ondan ibarətdir ki, o, ağ qutu metodudur, yəni. tamamilə açıq və başa düşülən - istifadəçi modelin niyə müəyyən bir nəticə verdiyini asanlıqla başa düşə bilər. Amil təhlili ilə Hopfild modeli arasındakı əlaqəni müşahidələr toplusu üçün minimum əsas vektorları xatırlamaqla görmək olar (yaddaş şəkilləri - 5-ci fəsildə). Məhz bu vektorlar yaddaş vektorlarının müxtəlif komponentlərini - ilkin xüsusiyyətləri birləşdirən amillərin analoqlarıdır.

1 Logistik reqressiya maliyyə qərarlarının qəbulunda geniş istifadə olunan ikili təsnifat üsuludur. Bəzi müstəqil dəyişənlərin - proqnozlaşdırıcıların dəyərlərindən asılı olaraq bəzi hadisənin reallaşması (və ya həyata keçirilməməsi) ehtimalını qiymətləndirməyə imkan verir: x 1,...,x N. Logistik reqressiya modelində bu ehtimal analitik formaya malikdir: Pr( X) =(1+exp(-z)) -1, burada z = a 0 + a 1 x 1 +...+ a N x N . Onun neyron şəbəkəsinin analoqu açıq-aydın qeyri-xətti çıxış neyronu olan tək qatlı perseptrondur. Maliyyə tətbiqlərində bir sıra səbəblərə görə çoxdəyişənli xətti reqressiya və diskriminant təhlilindən daha çox logistik reqressiyaya üstünlük verilir. Xüsusilə, ehtimalın intervala aid olmasını avtomatik olaraq təmin edir və proqnozlaşdırıcı qiymətlərin paylanmasına daha az məhdudiyyətlər qoyur. Sonuncu çox vacibdir, çünki əmsallar şəklində olan maliyyə göstəricilərinin dəyərlərinin paylanması adətən normal deyil və "yüksək əyri" olur. Neyron şəbəkələrin üstünlüyü ondadır ki, bu vəziyyət onlar üçün problem yaratmır. Bundan əlavə, neyron şəbəkələri proqnozlaşdırıcı dəyərlərin korrelyasiyasına həssas deyil, bu halda reqressiya modelinin parametrlərini qiymətləndirmək üsulları çox vaxt qeyri-dəqiq qiymətlər verir.

Annotasiya: Neyron şəbəkələr və statistika. Neyron şəbəkələri və qeyri-səlis məntiq. Neyron şəbəkələri və ekspert sistemləri. Neyron şəbəkələri və statistik fizika.

Heyvanlar aşağıdakılara bölünür:

İmperatora məxsus,

balzamlanmış,

əhliləşdirildi,

əmicilər,

sirenlər,

inanılmaz,

fərdi itlər,

bu təsnifata daxil olan,

dəli kimi qaçır

saysız,

ən gözəl dəvə tükü fırçası ilə boyanmış,

başqaları,

gül vazasını sındırdı,

milçəklərə bənzəyən məsafədən.

H. L. Borxes, "Con Uilkinsin Analitik Dili"

Neyrokomputinqin digər fənlər və onların metodları ilə çoxsaylı təmas nöqtələri var. Xüsusilə, neyron şəbəkələri nəzəriyyəsi statistik mexanika aparatlarından və optimallaşdırma nəzəriyyəsindən istifadə edir. Neyrokompüterin tətbiqi sahələri bəzən riyazi statistikanın, qeyri-səlis çoxluqlar nəzəriyyəsinin və ekspert sistemlərinin tətbiqi sahələri ilə güclü şəkildə üst-üstə düşür və ya demək olar ki, üst-üstə düşür. Neyrokomputinqin əlaqələri və paralelləri son dərəcə müxtəlifdir və onun universallığını göstərir. Əlavə hesab oluna bilən bu mühazirədə bir qədər daha çox riyazi hazırlıq tələb olunduğu üçün biz onlardan yalnız ən vaciblərindən danışacağıq.

Neyron şəbəkələr və statistika

İndi neyron şəbəkələri məlumatların təhlili üçün uğurla istifadə edildiyi üçün onları köhnə, yaxşı işlənmiş statistik üsullarla müqayisə etmək məqsədəuyğundur. Statistik ədəbiyyatda bəzən ən çox istifadə olunan neyron şəbəkə yanaşmalarının səmərəsiz reqressiya və diskriminant modellərindən başqa bir şey olmadığı ifadəsinə rast gəlmək olar. Bundan əvvəl də qeyd etmişik çoxqatlı neyron şəbəkələri reqressiya və təsnifat kimi problemləri əslində həll edə bilər. Bununla belə, birincisi, neyron şəbəkələr tərəfindən verilənlərin emalı daha müxtəlifdir - məsələn, Hopfield şəbəkələri və ya statistik analoqu olmayan Kohonen xüsusiyyət xəritələri ilə aktiv təsnifatı xatırlayın. İkincisi, neyron şəbəkələrin maliyyə və biznesdə istifadəsinə dair bir çox tədqiqatlar onların əvvəllər işlənmiş statistik metodlarla müqayisədə üstünlüklərini üzə çıxarmışdır. Neyron şəbəkələrin metodlarının və riyazi statistikanın müqayisəsinin nəticələrinə daha yaxından nəzər salaq.

Neyron şəbəkələri təsvir dilidirmi?

Qeyd edildiyi kimi, bəzi statistiklər məlumatların emalına neyroşəbəkə yanaşmalarının sadəcə olaraq yenidən kəşf edilmiş və yenidən tərtib edilmiş, lakin tanınmış statistik analiz üsulları olduğunu iddia edirlər. Başqa sözlə, neyrokompüter köhnə bilikləri təsvir etmək üçün sadəcə olaraq yeni bir dildən istifadə edir. Nümunə olaraq, burada Warren Searle-dən bir sitat var:

Bir çox neyron şəbəkə tədqiqatçıları statistika və qeyri-xətti optimallaşdırma haqqında çox az şey bilən mühəndislər, fiziklər, nevroloqlar, psixoloqlar və ya kompüter alimləridir. Neyron şəbəkə tədqiqatçıları riyazi və statistik ədəbiyyatda onilliklər və əsrlər boyu məlum olan metodları daim yenidən kəşf edirlər, lakin çox vaxt bu metodların necə işlədiyini başa düşə bilmirlər.

Bu nöqteyi-nəzərdən ilk baxışda ağlabatan görünə bilər. Neyron şəbəkələrinin formalizmi həqiqətən də universal bir dil olduğunu iddia edə bilər. Təsadüfi deyil ki, artıq McCulloch və Pittsin qabaqcıl işlərində neyron şəbəkəsinin təsvirinin təklif məntiqinin təsvirinə bərabər olduğu göstərilmişdir.

1961-ci il məqaləsində (...) hazırladığım texnika ilə beyin alimlərinin (...) və ya kompüter alimlərinin mənə verdiyi bütün suallara asanlıqla cavab verə biləcəyimi gördüm. Bir fizik kimi mən yaxşı bilirdim ki, hər şeyi izah edən nəzəriyyə əslində heç nəyi izah etmir: ən yaxşı halda bu bir dildir. Eduardo Cayanello

Buna görə də təəccüblü deyil ki, statistiklər tez-tez tanış olduqları anlayışların neyroşəbəkə nəzəriyyəsində analoqlarının olduğunu aşkar edirlər. Warren Searle bu iki sahədə istifadə olunan terminlərin kiçik lüğətini tərtib etmişdir.

Cədvəl 11.1. Oxşar terminlərin lüğəti

Neyron şəbəkələri	Statistik üsullar.
İşarələr	dəyişənlər
girişlər	müstəqil dəyişənlər
çıxışlar	proqnozlaşdırılan dəyərlər
hədəf dəyərlər	asılı dəyişənlər
səhv	qalıq
təlim, uyğunlaşma, özünü təşkil etmək	sinif
xəta funksiyası, Lyapunov funksiyası	qiymətləndirmə meyarı
təlim şəkilləri (cütlər)	müşahidələr
şəbəkə parametrləri: çəkilər, eşiklər.	Təxmini parametrlər
yüksək dərəcəli neyronlar	qarşılıqlı təsirlər
funksional əlaqələr	transformasiya
nəzarət edilən öyrənmə və ya heteroassosiasiya	reqressiya və diskriminant təhlili
nəzarətsiz öyrənmə və ya avtomatik birləşmə	məlumatların sıxılması
rəqabətli öyrənmə, adaptiv vektor kvantlaşdırma	klaster analizi
ümumiləşdirmə	interpolyasiya və ekstrapolyasiya

Neyron şəbəkələri ilə statistika arasında fərq nədir?

Məlumatların təhlilində neyrokompüter dilləri ilə statistika arasında hansı oxşarlıqlar və fərqlər var? Sadə bir misala baxaq.

Fərz edək ki, biz müşahidələr aparmışıq və funksional asılılığı təmsil edən N cüt nöqtəni eksperimental olaraq ölçmüşük. Bu nöqtələr vasitəsilə ən yaxşı düz xətti çəkməyə çalışsaq ki, bu da statistikanın dilində naməlum asılılığı təsvir etmək üçün xətti modeldən istifadə etmək deməkdir (burada müşahidə zamanı səs-küyü ifadə edir), onda müvafiq xətti reqressiya probleminin həlli olacaq. kvadratik qalıqların cəmini minimuma endirən parametrlərin təxmin edilən dəyərlərini tapmaq üçün azaldılır.

Parametrlər tapılarsa, o zaman x-in istənilən qiyməti üçün y-nin qiymətini qiymətləndirmək, yəni verilənləri interpolyasiya etmək və ekstrapolyasiya etmək olar.

Eyni problem istifadə edərək həll edilə bilər tək qatlı şəbəkə tək giriş və tək xətti çıxış neyronu ilə. Bağlantı çəkisi a və həddi b, məsələn, geri yayılma metodundan istifadə etməklə, şəbəkə təlimi zamanı eyni miqdarda qalığı (bu halda orta kvadrat xəta adlandırılacaq) minimuma endirməklə əldə edilə bilər. Giriş dəyərindən çıxış dəyərini proqnozlaşdırmaq üçün neyron şəbəkənin ümumiləşdirmə xassəsindən istifadə olunacaq.

düyü. 11.1.

Bu iki yanaşmanı müqayisə edərkən dərhal diqqətinizi çəkən odur ki, onların metodlarını təsvir edərkən statistika düsturlara və tənliklərə müraciət edir, neyrokompüter isə sinir arxitekturasının qrafik təsvirinə istinad edir.

Sol yarımkürənin düstur və tənliklərlə, sağ yarımkürənin isə qrafik təsvirlərlə işlədiyini xatırlasaq, o zaman anlaya bilərik ki, statistika ilə müqayisədə neyron şəbəkəsi yanaşmasının “sağ yarımkürə” xarakteri yenidən ortaya çıxır.

Digər əhəmiyyətli fərq ondan ibarətdir ki, statistik metodlar üçün uyğunsuzluğun necə minimuma endirilməsinin əhəmiyyəti yoxdur - istənilən halda model eyni qalır, neyrokompüter üçün isə əsas rol oynayan təlim metodudur. Başqa sözlə, neyroşəbəkə yanaşmasından fərqli olaraq, statistik metodlar üçün model parametrlərinin qiymətləndirilməsi ondan asılı deyildir. minimuma endirmə üsulu. Eyni zamanda, statistiklər qalıq tipindəki dəyişiklikləri nəzərdən keçirəcəklər

Modeldə əsaslı dəyişiklik kimi.

Çox vaxt şəbəkələrin təliminə sərf olunan neyron şəbəkə yanaşmasından fərqli olaraq, statistik yanaşmada bu vaxt problemin hərtərəfli təhlilinə sərf olunur. Bu, sahəyə xas olan məlumatların və məlumatların təhlili əsasında model seçmək üçün statistiklərin təcrübəsindən istifadə edir. Neyroşəbəkələrin - bu universal yaxınlaşdırıcıların istifadəsi adətən aprior biliklərdən istifadə etmədən həyata keçirilir, baxmayaraq ki, bəzi hallarda çox faydalıdır. Məsələn, nəzərdən keçirilən xətti model üçün, kök orta kvadrat xətadan istifadə səs-küyün dəyəri bütün təlim cütləri üçün eyni dispersiya ilə normal paylanmaya malik olduqda onun parametrlərinin optimal qiymətləndirilməsinə gətirib çıxarır. Eyni zamanda, əgər bu dispersiyaların fərqli olduğu məlumdursa, o zaman ağırlıqlı xəta funksiyasından istifadə edilir

Əhəmiyyətli dərəcədə daha yaxşı parametr dəyərləri verə bilər.

Nəzərdən keçirilən ən sadə modelə əlavə olaraq, başqa, müəyyən mənada, ekvivalent statistik modellərə və neyron şəbəkə paradiqmalarına nümunələr verə bilərik.

Hopfield şəbəkəsinin məlumatların klasterləşdirilməsi və faktor təhlili ilə açıq əlaqəsi var.

Faktor təhlili məlumat strukturunu öyrənmək üçün istifadə olunur. Onun əsas müddəası belə əlamətlərin - bilavasitə müşahidə oluna bilməyən, lakin bir neçə müşahidə edilə bilən ilkin əlamətlərlə qiymətləndirilə bilən amillərin mövcudluğu fərziyyəsidir. Məsələn, istehsalın həcmi və əsas fondların dəyəri kimi xüsusiyyətlər istehsalın miqyası kimi amili müəyyən edə bilər. Təlim tələb edən neyron şəbəkələrdən fərqli olaraq, faktor analizi yalnız müəyyən sayda müşahidələrlə işləyə bilər. Prinsipcə, bu cür müşahidələrin sayı dəyişənlərin sayından yalnız bir çox olmalıdır, lakin qiymətlərin ən azı üç qatından istifadə etmək tövsiyə olunur. Bu, hələ də neyron şəbəkəsi üçün təlim nümunəsinin ölçüsündən az hesab olunur. Buna görə də, statistiklər faktor analizinin daha az məlumatdan istifadə edilməsində və buna görə də daha sürətli model yaradılmasına səbəb olan üstünlüyünü qeyd edirlər. Bundan əlavə, bu, faktor təhlili metodlarının həyata keçirilməsi üçün daha az güclü hesablama vasitələri tələb edir. Faktor analizinin digər üstünlüyü ondan ibarətdir ki, o, ağ qutu metodudur, yəni. tamamilə açıq və başa düşülən - istifadəçi modelin niyə müəyyən bir nəticə verdiyini asanlıqla başa düşə bilər. Faktor təhlili ilə Hopfield modeli arasındakı əlaqə vektorları xatırlamaqla görünə bilər minimum əsas müşahidələr toplusu üçün (yaddaş şəkilləri - 5-ci mühazirəyə baxın). Məhz bu vektorlar yaddaş vektorlarının müxtəlif komponentlərini - ilkin xüsusiyyətləri birləşdirən amillərin analoqlarıdır.

Xəstələrin monitorinqinin müəyyən tarixi ərzində bir sıra məlumatlar yığılıb və STATISTICA sistemində cədvəldə saxlanılır. Müvafiq Məlumat Cədvəli Şəkil 6-da göstərilmişdir.

Şəkil 6. Mənbə verilənlər cədvəlinin fraqmenti

Tədqiqatın məqsədi xəstəxanada təyin edilmiş müalicəyə əsaslanaraq verilmiş ilkin məlumat toplusuna (xəstənin müayinəsi məlumatları, test nəticələri, qəbuldan əvvəl müalicə) əsaslanan neyron şəbəkə modelinin qurulmasıdır. müalicə (xəstəxanaya qəbul dəyərləri I-APFARA, BAB, BKK, diuretiklər, mərkəzi təsir göstərən dərmanlar) kifayət qədər dəqiqliklə.

Problemin qeyri-xətti olması heç bir şübhə doğurmur. Əlbəttə ki, STATISTICA Qeyri-xətti Qiymətləndirmə modulundan istifadə etməklə problemi həll etməyə cəhd etmək olar, yəni funksiyanın növü üçün “əllə-belə” bu modul tərəfindən təklif olunan iterativ prosedurlardan istifadə etməklə. Ancaq burada bir həll tapmaq prosedurunu əhəmiyyətli dərəcədə genişləndirən bir sıra çətinliklər var. Onlardan ən mühümü tədqiq olunan asılılığın açıq forması haqqında fərziyyənin formalaşdırılmasıdır ki, bu da heç də aydın deyil.

Əlavə araşdırma olmadan, asılılığın aşkar növü haqqında nəsə demək çətindir. Üstəlik, qeyd etmək lazımdır ki, daha bir amili nəzərə almamışıq. Ümumiyyətlə, qeyri-xətti qiymətləndirmə metodlarından istifadə etməklə belə bir problemin həlli çox uzun müddət çəkə bilər və ya heç nəyə gətirib çıxarmaya bilər. Belə kritik vəziyyətlərdə, məlum olanda

Dəyişənlər arasında əlaqə var;

Əlaqə mütləq qeyri-xəttidir;

Asılılığın aşkar forması haqqında nəsə demək çətindir,

Neyron şəbəkəsi alqoritmləri kömək edir. STATISTICA Neyron Networks modulunda bu problemin həlli yolunu nəzərdən keçirək.

Təəssüf ki, müəyyən bir problemi həll etmək üçün hansı neyron şəbəkə topologiyasına əməl edilməli olduğunu göstərən universal qaydalar yoxdur. Buna görə də düzgün şəbəkəni tapmaq üçün ağlabatan prosedur lazımdır.

STATISTICA sisteminin Neyron Şəbəkələri modulu istənilən şəbəkə konfiqurasiyasının axtarışını təşkil edən proseduru ehtiva edir. Bu prosedur müxtəlif arxitekturaya malik çoxlu sayda şəbəkələrin qurulması və sınaqdan keçirilməsindən və sonra onların arasından verilmiş problemin həlli üçün ən uyğun olan şəbəkənin seçilməsindən ibarətdir. Bu alət Ağıllı Problem Həllçisi adlanır. Neyron şəbəkələri modulunu işə salmaq üçün STATISTICA - Statistika sisteminin əsas menyusunda eyni adlı əmrdən istifadə etməlisiniz. (Şəkil 7)

Şəkil 7. Neyron şəbəkələri modulunun işə salınması

Aşağıdakı tezis çox yaygındır: "neyron şəbəkələri istənilən alqoritmi həyata keçirməyə imkan verən universal bir quruluşdur." Gəlin, bu ifadəyə kor-koranə inanaraq, təklif olunan asılılığı dərhal “tutacaq” neyron şəbəkəsi qurmağa çalışaq (yəni, ilkin kəşfiyyat təhlili olmadan).

Müasir elm tərəfindən hələ də həll edilməmiş ən vacib məsələlərdən biri arzu olunan çoxölçülü qeyri-xətti asılılığı bərpa edə biləcək neyron şəbəkəsinin strukturu məsələsidir. Həqiqətən, Kolmoqorovun 1957-ci ildə sübut etdiyi tamlıq teoremində deyilir ki, neyron şəbəkə istənilən (çox vacib - davamlı) funksiyanı təkrar istehsal etmək qabiliyyətinə malikdir. Bununla belə, tədqiqatçıya belə bir şəbəkə yaratmaq üçün resept təklif etmir. 1988-ci ildə bir sıra müəlliflər Kolmoqorovun teoremini ümumiləşdirərək göstərdilər ki, istənilən fasiləsiz funksiya bir gizli təbəqəyə malik üç qatlı neyron şəbəkəsi və istənilən dəqiqlik dərəcəsi ilə geri yayılma alqoritmi ilə yaxınlaşdırıla bilər. Beləliklə, bizim vəziyyətimizdə müsbət cəhət şəbəkənin üç qat olması lazım olduğunu bilməkdir, lakin yenə də "hər hansı bir dəqiqlik dərəcəsi" ilə aralıqdakı neyronların sayı arasında əlaqə quran heç bir qaydalar mövcud deyil. gizli təbəqə adlanır.

Yuxarıda göstərilənlərin hamısını ümumiləşdirərək qeyd edirik ki, müəyyən bir problemi həll etmək üçün hansı neyron şəbəkə topologiyasına əməl edilməli olduğunu göstərən universal qaydalar yoxdur. Buna görə də düzgün şəbəkəni tapmaq üçün ağlabatan prosedur lazımdır.

STATISTICA sisteminin Neyron Şəbəkələri moduluna istənilən şəbəkə konfiqurasiyasının axtarışını təşkil edən unikal prosedur daxildir. Bu alət Ağıllı Problem Həllçisi adlanır. Gəlin bu vasitədən istifadə edək və problemimizi həll edə biləcək neyron şəbəkəsi axtaraq.

Şəkil 8. Neyron Şəbəkələri modulunun işə salma paneli

Bu dialoq qutusunun Sürətli sekmesinde Problem Tipi bölməsində qarşılaşdığımız problemlərin sinfini seçmək təklif olunur. Məqsədimiz çoxvariantlı əlaqə və ya başqa sözlə, çoxdəyişənli qeyri-xətti reqressiya qurmaqdır. Bu o deməkdir ki, Problem Tipi bölməsində siz Reqressiyanı təyin etməlisiniz.

Tapşırıqlar sinfi barədə qərar verdikdən sonra təhlilin aparılması üçün dəyişənləri müəyyən etmək lazımdır. Dəyişənləri seçmək üçün Dəyişənlər düyməsini istifadə edin. Bu düyməni basdığınız zaman giriş (müstəqil), çıxış (asılı) və seçici dəyişənləri seçin dialoq qutusu görünür. Bu dialoq qutusunda siz dəyişənlərin iki siyahısını göstərməlisiniz. Davamlı çıxışlar, bizim vəziyyətimizdə, xəstəxanaya qəbul ACEI/ARB, xəstəxanaya qəbul BAB, xəstəxanaya qəbul BKK, diuretiklərin xəstəxanasına qəbulu və mərkəzi təsir göstərən dərmanların xəstəxanaya qəbulu dəyişənləridir. Davamlı girişlər, nümunəmizdə, 1-dən 61-ə qədər ilkin parametrlərdir.

Şəkil 9. Təhlil üçün dəyişənlərin seçilməsi

Analiz seçin bölməsində iki seçim mövcuddur: Ağıllı Problem Həlledici və Xüsusi Şəbəkə Dizayneri. Neyron şəbəkə parametrlərini avtomatik seçmək üçün standart olaraq təyin olunan birinci seçim tələb olunur. Təhlili davam etdirmək üçün OK düyməsini klikləyin.

Növbəti addımda Ağıllı Problem Həllçisinin quraşdırma dialoq qutusu görünür.

Sürətli bölmə neyron şəbəkə axtarış alqoritminin icra müddətindən məsul olan bir qrup seçimdən ibarətdir. Bu sekmədə sınaqdan keçirilməli olan şəbəkələrin sayını göstərməlisiniz (onların tərtib edilmiş problemi həll etmək üçün uyğun olub olmadığını öyrənmək üçün), həmçinin bu şəbəkələrdən neçəsinin yekun hesabata daxil ediləcəyini göstərməlisiniz.

Test edilmiş şəbəkələr bölməsində biz 100, saxlanılan şəbəkələr - 10 göstəririk (Şəkil 10)

Növlər nişanı sınaq prosesində hansı növ neyron şəbəkələrin istifadə olunacağını müəyyənləşdirir. Qeyri-xətti reqressiya problemini həll etmək üçün çoxqatlı perseptron ən uyğundur, ona görə də Şəkil 11-də qeyd olunan şəbəkələri seçirik.

Şəkil 10. Test ediləcək şəbəkələrin sayının təyini

Şəkil 11. Şəbəkə arxitekturasının seçilməsi

Sonra, axtarış və sınaq prosesini təşkil etmək üçün neyron şəbəkəsinin hər bir təbəqəsində neyronların sayında dəyişikliklərin diapazonunu göstərmək lazımdır. Bu tapşırıq üçün tövsiyə olunan dəyərlər Şəkil 12-də göstərilmişdir.

Şəkil 12. Təlim, nəzarət və sınaq nümunələrinin ölçülərinin göstəricisi

İndi bütün təlim parametrlərini təyin etdikdən sonra şəbəkə axtarış prosedurunu başlamaq üçün OK düyməsini sıxmalısınız.

Axtarış alqoritminin statusu IPS Training In Progress dialoq qutusunda göstərilir.

Uyğun neyron şəbəkəsi üçün axtarış alqoritmi işləyərkən bu dialoq qutusu alqoritmin icra müddəti, eləcə də nəzərdən keçirilən neyron şəbəkələri haqqında məlumat verir. Axtarış alqoritminin məqsədi bir sıra neyron şəbəkə konfiqurasiyalarını sadalamaq və şəbəkə çıxışında minimum xəta və onun maksimum performansı baxımından ən yaxşısını seçməkdir.

Məqaləni bəyəndinizmi? Bunu Paylaş

Bu məqaləni çap edin