Εναλλακτικές λύσεις για την αντικατάσταση του STATISTICA. Νευρωνικά δίκτυα

Το STATISTICA Automated Neural Networks είναι το μόνο προϊόν λογισμικού νευρωνικών δικτύων στον κόσμο που είναι πλήρως μεταφρασμένο στα ρωσικά!

Οι μεθοδολογίες νευρωνικών δικτύων γίνονται όλο και πιο διαδεδομένες σε διάφορους τομείς, από τη θεμελιώδη έρευνα έως τις πρακτικές εφαρμογές της ανάλυσης δεδομένων, τις επιχειρήσεις, τη βιομηχανία κ.λπ.

είναι ένα από τα πιο προηγμένα και πιο αποτελεσματικά προϊόντα νευρωνικών δικτύων στην αγορά. Προσφέρει πολλά μοναδικά οφέλη και πλούσια χαρακτηριστικά. Για παράδειγμα, οι μοναδικές δυνατότητες του εργαλείου αυτόματης αναζήτησης νευρωνικών δικτύων, , επιτρέπουν στο σύστημα να χρησιμοποιείται όχι μόνο από ειδικούς στα νευρωνικά δίκτυα, αλλά και από αρχάριους στον τομέα των υπολογιστών νευρωνικών δικτύων.

Ποια είναι τα πλεονεκτήματα της χρήσης ?

Προ και μετεπεξεργασία, συμπεριλαμβανομένης της επιλογής δεδομένων, της ονομαστικής κωδικοποίησης, της κλιμάκωσης, της κανονικοποίησης, της αφαίρεσης δεδομένων που λείπουν με ερμηνεία για προβλήματα ταξινόμησης, παλινδρόμησης και χρονοσειρών.

Εξαιρετική ευκολία χρήσης συν ασυναγώνιστη αναλυτική ισχύς. για παράδειγμα, ένα μοναδικό εργαλείο αυτόματης αναζήτησης νευρωνικών δικτύων Αυτοματοποιημένο νευρωνικό δίκτυο (ANN)θα καθοδηγήσει τον χρήστη σε όλα τα στάδια της δημιουργίας διαφόρων νευρωνικών δικτύων και θα επιλέξει το καλύτερο (διαφορετικά, αυτή η εργασία επιλύεται μέσω μιας μακράς διαδικασίας «δοκιμών και σφαλμάτων» και απαιτεί σοβαρή γνώση της θεωρίας).

Οι πιο σύγχρονοι, βελτιστοποιημένοι και ισχυροί αλγόριθμοι εκπαίδευσης δικτύου (συμπεριλαμβανομένων μεθόδων συζευγμένης κλίσης, αλγόριθμος Levenberg-Marquardt, αλγόριθμος BFGS, Kohonen). πλήρης έλεγχος όλων των παραμέτρων που επηρεάζουν την ποιότητα του δικτύου, όπως οι λειτουργίες ενεργοποίησης και σφάλματος, η πολυπλοκότητα του δικτύου.

Υποστήριξη για σύνολα νευρωνικών δικτύων και αρχιτεκτονικές νευρωνικών δικτύων σχεδόν απεριόριστου μεγέθους.

Πλούσιες γραφικές και στατιστικές δυνατότητες που διευκολύνουν τη διαδραστική διερευνητική ανάλυση.

Πλήρης ενοποίηση με το σύστημα ΣΤΑΤΙΣΤΙΚΗ; όλα τα αποτελέσματα, γραφήματα, αναφορές κ.λπ. μπορούν να τροποποιηθούν περαιτέρω χρησιμοποιώντας ισχυρά γραφικά και αναλυτικά εργαλεία ΣΤΑΤΙΣΤΙΚΗ(για παράδειγμα, για ανάλυση προβλεπόμενων υπολειμμάτων, δημιουργία λεπτομερούς αναφοράς κ.λπ.)

Απρόσκοπτη ενσωμάτωση με ισχυρά αυτοματοποιημένα εργαλεία ΣΤΑΤΙΣΤΙΚΗ; καταγραφή πλήρους μακροεντολών για οποιαδήποτε ανάλυση. δημιουργώντας τις δικές σας αναλύσεις και εφαρμογές νευρωνικών δικτύων χρησιμοποιώντας ΣΤΑΤΙΣΤΙΚΗΠρόκληση της Visual Basic STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυααπό οποιαδήποτε εφαρμογή που υποστηρίζει τεχνολογία COM (για παράδειγμα, αυτόματη ανάλυση νευρωνικών δικτύων σε υπολογιστικό φύλλο MS Excel ή συνδυασμός πολλών προσαρμοσμένων εφαρμογών γραμμένων σε C, C++, C#, Java κ.λπ.).

Μια επιλογή από τις πιο δημοφιλείς αρχιτεκτονικές δικτύου, συμπεριλαμβανομένων των Perceptrons Multilayer, των Radial Basis Functions και των Self-Organizing Feature Maps.
Διαθέσιμο εργαλείο Αυτόματη αναζήτηση δικτύου, το οποίο σας επιτρέπει να δημιουργείτε αυτόματα διάφορες αρχιτεκτονικές νευρωνικών δικτύων και να ρυθμίζετε την πολυπλοκότητά τους.
Διατήρηση των καλύτερων νευρωνικών δικτύων.

Υποστήριξη διαφόρων τύπων στατιστικής ανάλυσης και κατασκευής μοντέλων πρόβλεψης, όπως παλινδρόμηση, ταξινόμηση, χρονοσειρές με συνεχή και κατηγορική εξαρτημένη μεταβλητή, ανάλυση συστάδων για μείωση διαστάσεων και οπτικοποίηση.

Υποστηρίζει φόρτωση και ανάλυση πολλαπλών μοντέλων.

Προαιρετική δυνατότητα δημιουργίας πηγαίου κώδικα σε C, C++, C#, Java, PMML (Predictive Model Markup Language), ο οποίος μπορεί εύκολα να ενσωματωθεί σε εξωτερικό περιβάλλον για να δημιουργήσετε τις δικές σας εφαρμογές.

Γεννήτρια κώδικα

Γεννήτρια κώδικα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυαμπορεί να δημιουργήσει κώδικα προγράμματος συστήματος πηγής για μοντέλα νευρωνικών δικτύων σε C, Java και PMML (Predictive Model Markup Language). Η δημιουργία κώδικα είναι μια πρόσθετη εφαρμογή στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα, το οποίο επιτρέπει στους χρήστες, με βάση την ανάλυση νευρωνικών δικτύων, να δημιουργήσουν ένα αρχείο C ή Java με τον πηγαίο κώδικα των μοντέλων και να το ενσωματώσουν σε ανεξάρτητες εξωτερικές εφαρμογές.

Απαιτείται η δημιουργία κώδικα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα.

Δημιουργεί μια έκδοση του πηγαίου κώδικα του νευρωνικού δικτύου (ως αρχείο σε C, C++, C# ή Java).

Το αρχείο κώδικα C ή Java μπορεί στη συνέχεια να ενσωματωθεί σε εξωτερικά προγράμματα.

ΣΤΑΤΙΣΤΙΚΗΑυτοματοποιημένο Νευρωνικά δίκτυαστους υπολογιστές νευρωνικών δικτύων

Η χρήση των νευρωνικών δικτύων περιλαμβάνει πολύ περισσότερα από την απλή επεξεργασία δεδομένων χρησιμοποιώντας μεθόδους νευρωνικών δικτύων.

STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)παρέχει μια ποικιλία λειτουργιών για εργασία με πολύ σύνθετες εργασίες, συμπεριλαμβανομένων όχι μόνο των πιο πρόσφατων Αρχιτεκτονικές Νευρωνικών ΔικτύωνΚαι Αλγόριθμοι μάθησης, αλλά και νέες προσεγγίσεις για την κατασκευή αρχιτεκτονικών νευρωνικών δικτύων με δυνατότητα απαρίθμησης διαφόρων συναρτήσεων ενεργοποίησης και σφάλματος, γεγονός που διευκολύνει την ερμηνεία των αποτελεσμάτων. Επιπλέον, οι προγραμματιστές λογισμικού και οι χρήστες που πειραματίζονται με τις ρυθμίσεις εφαρμογών θα εκτιμήσουν το γεγονός ότι μετά τη διεξαγωγή συγκεκριμένων πειραμάτων σε μια απλή και διαισθητική διεπαφή STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN), οι αναλύσεις νευρωνικών δικτύων μπορούν να συνδυαστούν σε μια προσαρμοσμένη εφαρμογή. Αυτό μπορεί να επιτευχθεί είτε χρησιμοποιώντας τη βιβλιοθήκη συναρτήσεων COM ΣΤΑΤΙΣΤΙΚΗ, το οποίο αντικατοπτρίζει πλήρως όλη τη λειτουργικότητα του προγράμματος ή χρησιμοποιώντας κώδικα σε C/C++, ο οποίος δημιουργείται από το πρόγραμμα και βοηθά στη λειτουργία ενός πλήρως εκπαιδευμένου νευρωνικού δικτύου.

Μονάδα μέτρησης STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυαπλήρως ενσωματωμένο στο σύστημα ΣΤΑΤΙΣΤΙΚΗΈτσι, είναι διαθέσιμη μια τεράστια ποικιλία εργαλείων για την επεξεργασία (προετοιμασία) δεδομένων για ανάλυση (μετασχηματισμοί, συνθήκες επιλογής παρατηρήσεων, εργαλεία ελέγχου δεδομένων κ.λπ.).

Όπως όλα τα τεστ ΣΤΑΤΙΣΤΙΚΗ, το πρόγραμμα μπορεί να "συνδεθεί" σε μια απομακρυσμένη βάση δεδομένων χρησιμοποιώντας εργαλεία επιτόπιας επεξεργασίας ή να συνδεθεί με ζωντανά δεδομένα, έτσι ώστε τα μοντέλα να εκπαιδεύονται ή να εκτελούνται (για παράδειγμα, για τον υπολογισμό προβλεπόμενων τιμών ή ταξινόμησης) αυτόματα κάθε φορά που αλλάζουν τα δεδομένα .

Κλιμάκωση δεδομένων και μετατροπή ονομαστικής αξίας

Πριν εισαχθούν δεδομένα στο δίκτυο, πρέπει να προετοιμαστούν με συγκεκριμένο τρόπο. Είναι εξίσου σημαντικό τα δεδομένα εξόδου να μπορούν να ερμηνεύονται σωστά. ΣΕ STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)είναι δυνατή η αυτόματη κλιμάκωση δεδομένων εισόδου και εξόδου. Οι μεταβλητές με ονομαστικές τιμές μπορούν επίσης να επανακωδικοποιηθούν αυτόματα (για παράδειγμα, Gender=(Male, Female)), συμπεριλαμβανομένης της μεθόδου κωδικοποίησης 1-of-N. STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)περιέχει επίσης εργαλεία για την εργασία με δεδομένα που λείπουν. Υπάρχουν εργαλεία προετοιμασίας και ερμηνείας δεδομένων ειδικά σχεδιασμένα για ανάλυση χρονοσειρών. Μια μεγάλη ποικιλία παρόμοιων εργαλείων εφαρμόζεται επίσης σε ΣΤΑΤΙΣΤΙΚΗ.

Σε προβλήματα ταξινόμησης, είναι δυνατό να οριστούν διαστήματα εμπιστοσύνης που STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Στη συνέχεια χρησιμοποιείται για την ανάθεση παρατηρήσεων σε μια ή την άλλη τάξη. Σε συνδυασμό με ειδικό εφαρμοσμένο σε STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)η συνάρτηση ενεργοποίησης Softmax και οι συναρτήσεις σφάλματος διασταυρούμενης εντροπίας παρέχουν μια θεμελιώδη θεωρητική προσέγγιση πιθανοτήτων στα προβλήματα ταξινόμησης.

Επιλογή μοντέλου νευρωνικών δικτύων, σύνολα νευρωνικών δικτύων

Η ποικιλία των μοντέλων νευρωνικών δικτύων και οι πολλές παράμετροι που πρέπει να οριστούν (μεγέθη δικτύου, παράμετροι αλγορίθμων εκμάθησης κ.λπ.) μπορεί να μπερδέψουν ορισμένους χρήστες. Αλλά αυτός είναι ο λόγος που υπάρχει ένα εργαλείο αυτόματης αναζήτησης νευρωνικών δικτύων, , το οποίο μπορεί να αναζητήσει αυτόματα μια κατάλληλη αρχιτεκτονική δικτύου οποιασδήποτε πολυπλοκότητας, δείτε παρακάτω. Στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Όλοι οι κύριοι τύποι νευρωνικών δικτύων που χρησιμοποιούνται για την επίλυση πρακτικών προβλημάτων έχουν εφαρμοστεί, συμπεριλαμβανομένων:

πολυστρωματικά perceptrons (δίκτυα με άμεση μετάδοση σήματος).

δίκτυα που βασίζονται σε συναρτήσεις ακτινικής βάσης.

αυτοοργάνωση χαρτών Kohonen.

Οι παραπάνω αρχιτεκτονικές χρησιμοποιούνται σε προβλήματα παλινδρόμησης, ταξινόμησης, χρονοσειρών (με συνεχή ή κατηγορική εξαρτημένη μεταβλητή) και ομαδοποίησης.

Επιπλέον, στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)εφαρμόστηκε Σύνολα δικτύου, που σχηματίζονται από τυχαίους (αλλά σημαντικούς) συνδυασμούς των παραπάνω δικτύων. Αυτή η προσέγγιση είναι ιδιαίτερα χρήσιμη για θορυβώδη και χαμηλών διαστάσεων δεδομένα.

Στη συσκευασία STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Πολλά εργαλεία είναι διαθέσιμα για να βοηθήσουν τον χρήστη να επιλέξει την κατάλληλη αρχιτεκτονική δικτύου. Τα στατιστικά και γραφικά εργαλεία του συστήματος περιλαμβάνουν ιστογράμματα, πίνακες και γραφήματα σφαλμάτων για ολόκληρο τον πληθυσμό και για μεμονωμένες παρατηρήσεις, τελικά δεδομένα για σωστή/λανθασμένη ταξινόμηση και όλα τα σημαντικά στατιστικά στοιχεία, για παράδειγμα, η επεξηγημένη αναλογία διακύμανσης, υπολογίζονται αυτόματα.

Για να οπτικοποιήσετε δεδομένα σε ένα πακέτο STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Τα Scatterplots και οι επιφάνειες απόκρισης 3D υλοποιούνται για να βοηθήσουν τον χρήστη να κατανοήσει τη «συμπεριφορά» του δικτύου.

Φυσικά, μπορείτε να χρησιμοποιήσετε οποιαδήποτε πληροφορία ληφθεί από τις αναφερόμενες πηγές για περαιτέρω ανάλυση με άλλα μέσα. ΣΤΑΤΙΣΤΙΚΗ, καθώς και για μετέπειτα συμπερίληψη σε αναφορές ή για προσαρμογή.

STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)θυμάται αυτόματα την καλύτερη επιλογή δικτύου από αυτές που λάβατε κατά τον πειραματισμό με την εργασία και μπορείτε να ανατρέξετε σε αυτήν ανά πάσα στιγμή. Η χρησιμότητα του δικτύου και η προγνωστική του ικανότητα ελέγχονται αυτόματα σε ένα ειδικό σύνολο δοκιμών παρατηρήσεων, καθώς και με εκτίμηση του μεγέθους του δικτύου, της αποτελεσματικότητάς του και του κόστους λανθασμένης ταξινόμησης. Εφαρμόστηκε σε STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Οι διαδικασίες αυτόματης διασταυρούμενης επικύρωσης και τακτοποίησης βάρους σάς επιτρέπουν να προσδιορίζετε γρήγορα εάν το δίκτυό σας είναι λιγότερο πολύπλοκο ή υπερβολικά πολύπλοκο για μια δεδομένη εργασία.

Για να βελτιώσετε την απόδοση στη συσκευασία STATISTICA Αυτοματοποιημένα Νευρωνικά ΔίκτυαΠαρουσιάζονται πολυάριθμες επιλογές διαμόρφωσης δικτύου. Έτσι, μπορείτε να καθορίσετε ένα επίπεδο δικτύου γραμμικής εξόδου σε προβλήματα παλινδρόμησης ή μια συνάρτηση ενεργοποίησης softmax σε προβλήματα πιθανολογικής εκτίμησης και ταξινόμησης. Το σύστημα εφαρμόζει επίσης συναρτήσεις σφάλματος διασταυρούμενης εντροπίας βασισμένες σε μοντέλα θεωρίας πληροφοριών και μια σειρά ειδικών συναρτήσεων ενεργοποίησης, συμπεριλαμβανομένων των συναρτήσεων Identical, Exponential, Hyperbolic, Logistic (σιγμοειδές) και Sine για κρυφούς και εξόδους νευρώνες.

Αυτοματοποιημένο νευρωνικό δίκτυο (αυτόματη αναζήτηση και επιλογή διαφόρων αρχιτεκτονικών νευρωνικών δικτύων)

Μέρος της συσκευασίας STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)είναι ένα εργαλείο αυτόματης αναζήτησης νευρωνικών δικτύων, Αυτοματοποιημένο νευρωνικό δίκτυο (ANN) - Αυτοματοποιημένη αναζήτηση δικτύου (ANS), το οποίο αξιολογεί πολλά νευρωνικά δίκτυα διαφορετικής αρχιτεκτονικής και πολυπλοκότητας και επιλέγει τα δίκτυα της καλύτερης αρχιτεκτονικής για μια δεδομένη εργασία.

Κατά τη δημιουργία ενός νευρωνικού δικτύου, αφιερώνεται σημαντικός χρόνος για την επιλογή των κατάλληλων μεταβλητών και τη βελτιστοποίηση της αρχιτεκτονικής του δικτύου χρησιμοποιώντας ευρετική αναζήτηση. STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)αναλαμβάνει αυτό το έργο και πραγματοποιεί αυτόματα μια ευρετική αναζήτηση για εσάς. Αυτή η διαδικασία λαμβάνει υπόψη τη διάσταση εισόδου, τον τύπο δικτύου, τις διαστάσεις δικτύου, τις λειτουργίες ενεργοποίησης, ακόμη και τις απαιτούμενες συναρτήσεις σφάλματος εξόδου.

Είναι ένα εξαιρετικά αποτελεσματικό εργαλείο όταν χρησιμοποιείτε πολύπλοκες τεχνικές, επιτρέποντάς σας να βρίσκετε αυτόματα την καλύτερη αρχιτεκτονική δικτύου. Αντί να ξοδεύετε ώρες καθισμένοι μπροστά στον υπολογιστή σας, αφήστε το σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)κάνε αυτή τη δουλειά για σένα.

Η επιτυχία των πειραμάτων σας για την εύρεση του καλύτερου τύπου και αρχιτεκτονικής δικτύου εξαρτάται σημαντικά από την ποιότητα και την ταχύτητα των αλγορίθμων εκμάθησης δικτύου. Στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Έχουν εφαρμοστεί οι καλύτεροι αλγόριθμοι εκπαίδευσης μέχρι σήμερα.

Στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Έχουν εφαρμοστεί δύο γρήγοροι αλγόριθμοι δεύτερης τάξης - μέθοδοι συζευγμένης κλίσης και ο αλγόριθμος BFGS. Ο τελευταίος είναι ένας εξαιρετικά ισχυρός σύγχρονος αλγόριθμος μη γραμμικής βελτιστοποίησης και οι ειδικοί συνιστούν ανεπιφύλακτα τη χρήση του. Υπάρχει επίσης μια απλοποιημένη έκδοση του αλγόριθμου BFGS που απαιτεί λιγότερη μνήμη, η οποία χρησιμοποιείται από το σύστημα όταν οι δυνατότητες RAM του υπολογιστή είναι αρκετά περιορισμένες. Αυτοί οι αλγόριθμοι τείνουν να συγκλίνουν πιο γρήγορα και να παράγουν μια πιο ακριβή λύση από τους αλγόριθμους ακρίβειας πρώτης τάξης όπως το Gradient Descent.

Επαναληπτική διαδικασία εκπαίδευσης δικτύου στο σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)συνοδεύεται από αυτόματη εμφάνιση του τρέχοντος σφάλματος εκπαίδευσης και του σφάλματος που υπολογίζεται ανεξάρτητα από το σετ δοκιμών και εμφανίζεται επίσης ένα γράφημα του συνολικού σφάλματος. Μπορείτε να διακόψετε την προπόνηση ανά πάσα στιγμή πατώντας απλά ένα κουμπί. Επιπλέον, είναι δυνατό να οριστούν συνθήκες διακοπής, υπό τις οποίες θα διακοπεί η εκπαίδευση. μια τέτοια συνθήκη μπορεί να είναι, για παράδειγμα, η επίτευξη ενός συγκεκριμένου επιπέδου σφάλματος ή μια σταθερή αύξηση του σφάλματος δοκιμής σε έναν δεδομένο αριθμό περασμάτων - "εποχές" (που υποδηλώνει τη λεγόμενη επανεκπαίδευση του δικτύου). Εάν συμβεί υπερβολική προσαρμογή, ο χρήστης δεν θα πρέπει να ενδιαφέρεται: STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)θυμάται αυτόματα μια παρουσία του καλύτερου δικτύου που αποκτήθηκε κατά τη διαδικασία εκπαίδευσης και αυτή η επιλογή δικτύου μπορεί πάντα να είναι προσβάσιμη κάνοντας κλικ στο αντίστοιχο κουμπί. Μετά την ολοκλήρωση της εκπαίδευσης δικτύου, μπορείτε να ελέγξετε την ποιότητα της εργασίας του σε ένα ξεχωριστό σετ δοκιμών.

Αφού εκπαιδευτεί το δίκτυο, πρέπει να ελέγξετε την ποιότητα της εργασίας του και να προσδιορίσετε τα χαρακτηριστικά του. Για το σκοπό αυτό στη συσκευασία STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)Υπάρχει ένα σύνολο στατιστικών και γραφικών εργαλείων επί της οθόνης.

Σε περίπτωση που καθορίζονται πολλά μοντέλα (δίκτυα και σύνολα), τότε (εάν είναι δυνατόν) STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)θα εμφανίσει συγκριτικά αποτελέσματα (για παράδειγμα, σχεδίαση καμπυλών απόκρισης πολλών μοντέλων σε ένα γράφημα ή παρουσίαση προβλέψεων πολλών μοντέλων σε έναν πίνακα). Αυτή η ιδιότητα είναι πολύ χρήσιμη για τη σύγκριση διαφορετικών μοντέλων που έχουν εκπαιδευτεί στο ίδιο σύνολο δεδομένων.

Όλα τα στατιστικά στοιχεία υπολογίζονται χωριστά για τα σετ εκπαίδευσης, επικύρωσης και δοκιμών ή σε οποιονδήποτε συνδυασμό αυτών, κατά την κρίση του χρήστη.

Τα ακόλουθα συνοπτικά στατιστικά υπολογίζονται αυτόματα: το ριζικό μέσο τετραγωνικό σφάλμα του δικτύου, ο λεγόμενος πίνακας σύγχυσης για προβλήματα ταξινόμησης (όπου συνοψίζονται όλες οι περιπτώσεις σωστής και λανθασμένης ταξινόμησης) και συσχετίσεις για προβλήματα παλινδρόμησης. Το δίκτυο Kohonen έχει ένα παράθυρο Τοπολογικού Χάρτη στο οποίο μπορείτε να παρατηρήσετε οπτικά τις ενεργοποιήσεις στοιχείων δικτύου.

Έτοιμες λύσεις (προσαρμοσμένες εφαρμογές με χρήση STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα)

Απλή και βολική διεπαφή συστήματος STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)σας επιτρέπει να δημιουργείτε γρήγορα εφαρμογές νευρωνικών δικτύων για να λύσετε τα προβλήματά σας.

Μπορεί να υπάρχει μια κατάσταση όπου είναι απαραίτητο να ενσωματωθούν αυτές οι λύσεις σε ένα υπάρχον σύστημα, για παράδειγμα, για να γίνουν μέρος ενός ευρύτερου υπολογιστικού περιβάλλοντος (αυτές μπορεί να είναι διαδικασίες που αναπτύσσονται χωριστά και ενσωματώνονται στο εταιρικό υπολογιστικό σύστημα).

Τα εκπαιδευμένα νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε νέα σύνολα δεδομένων (για πρόβλεψη) με διάφορους τρόπους: Μπορείτε να αποθηκεύσετε τα εκπαιδευμένα δίκτυα και στη συνέχεια να τα εφαρμόσετε σε ένα νέο σύνολο δεδομένων (για πρόβλεψη, ταξινόμηση ή πρόβλεψη). Μπορείτε να χρησιμοποιήσετε μια γεννήτρια κώδικα για να δημιουργήσετε αυτόματα κώδικα προγράμματος σε C (C++, C#) ή Visual Basic και στη συνέχεια να τη χρησιμοποιήσετε για να προβλέψετε νέα δεδομένα σε οποιοδήποτε περιβάλλον προγραμματισμού Visual Basic ή C++ (C#), π.χ. να ενσωματώσετε ένα πλήρως εκπαιδευμένο νευρωνικό δίκτυο στο εφαρμογή. Εν κατακλείδι, όλη η λειτουργικότητα του συστήματος ΣΤΑΤΙΣΤΙΚΗ, συμπεριλαμβανομένου STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN), μπορεί να χρησιμοποιηθεί ως αντικείμενα COM (Component Object Model) σε άλλες εφαρμογές (για παράδειγμα, Java, MS Excel, C#, VB.NET, κ.λπ.). Για παράδειγμα, μπορείτε να εφαρμόσετε μια αυτοματοποιημένη ανάλυση που δημιουργήθηκε χρησιμοποιώντας STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)σε πίνακες MS Excel.

Κατάλογος αλγορίθμων εκμάθησης

Gradient Descent

Συζυγείς κλίσεις

Προπόνηση Kohonen

Μέθοδος K-Means για Δίκτυο Συναρτήσεων Ακτινικής Βάσης

Περιορισμοί μεγέθους δικτύου

Ένα νευρωνικό δίκτυο μπορεί να είναι σχεδόν οποιουδήποτε μεγέθους (δηλαδή, οι διαστάσεις του μπορούν να ληφθούν πολλές φορές μεγαλύτερες από ό,τι είναι πραγματικά απαραίτητο και λογικό). Για ένα δίκτυο πολυστρωματικών perceptrons, επιτρέπεται ένα κρυφό στρώμα νευρώνων. Στην πραγματικότητα, για οποιεσδήποτε πρακτικές εργασίες το πρόγραμμα περιορίζεται μόνο από τις δυνατότητες υλικού του υπολογιστή.

e-Manual

Ως μέρος του συστήματος STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN)υπάρχει ένα καλά εικονογραφημένο εγχειρίδιο που παρέχει μια πλήρη και ξεκάθαρη εισαγωγή στα νευρωνικά δίκτυα, καθώς και παραδείγματα. Ένα σύστημα λεπτομερούς βοήθειας με ευαισθησία στο πλαίσιο είναι διαθέσιμο από οποιοδήποτε παράθυρο διαλόγου.

Γεννήτρια πηγαίου κώδικα

Η δημιουργία πηγαίου κώδικα είναι ένα πρόσθετο προϊόν που επιτρέπει στους χρήστες να δημιουργούν εύκολα τις δικές τους εφαρμογές με βάση το σύστημα STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN). Αυτό το πρόσθετο προϊόν δημιουργεί τον πηγαίο κώδικα συστήματος του μοντέλου νευρωνικού δικτύου (ως αρχείο σε C, C++, C# ή Java), ο οποίος μπορεί να μεταγλωττιστεί ξεχωριστά και να ενσωματωθεί στο πρόγραμμά σας για δωρεάν διανομή. Αυτό το προϊόν έχει σχεδιαστεί ειδικά για προγραμματιστές εταιρικών συστημάτων, καθώς και για εκείνους τους χρήστες που πρέπει να μεταμορφώσουν εξαιρετικά βελτιστοποιημένες διαδικασίες που δημιουργούνται σε STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα (SANN), σε εξωτερικές εφαρμογές για την επίλυση πολύπλοκων αναλυτικών προβλημάτων. (Να σημειωθεί ότι για να λάβουν άδεια, οι χρήστες θα πρέπει να ενημερώσουν τους υπαλλήλους της sitessia για τη διανομή των προγραμμάτων χρησιμοποιώντας τον παραγόμενο κώδικα).

Στο STATISTICA, το πρόβλημα συνεχούς πρόβλεψης αναπαρίσταται ως πρόβλημα παλινδρόμησης. Στο πλαίσιο αυτού του προβλήματος, ένα νευρωνικό δίκτυο θεωρείται ως μη γραμμική συνάρτηση, η πολυπλοκότητα της οποίας ελέγχεται «ημιπαραμετρικά» - ο αριθμός των στοιχείων στο δίκτυο επηρεάζει την πολυπλοκότητα της λύσης, αλλά, φυσικά, ο αναλυτής δεν μπορεί να δει τη ρητή μορφή της συνάρτησης παλινδρόμησης.

Απαιτείται η κατασκευή ενός νευρωνικού δικτύου που υπολογίζει την εκπομπή μολύβδου στην ατμόσφαιρα ανάλογα με τον αριθμό και τον τύπο της διερχόμενης μεταφοράς. Τα δεδομένα αποθηκεύονται στο αρχείο Lead.xls.

Ανοίξτε το αρχείο Svinets.xls στο πακέτο Statistica. Εμφανίζεται το παράθυρο Άνοιγμα αρχείου.

Ρύζι. 4. 33. Παράθυρο εισαγωγής.

Πρέπει να επιλέξετε την επιλογή «Εισαγωγή επιλεγμένου φύλλου» και να επιλέξετε το όνομα του φύλλου δεδομένων:

Ρύζι. 4. 34. Επιλογή φύλλου Excel για εισαγωγή στο πακέτο Statistica.

Στο επόμενο παράθυρο, πρέπει να καθορίσετε τις πραγματικές παραμέτρους δεδομένων, οι οποίες, κατά κανόνα, καθορίζονται και εμφανίζονται αυτόματα (εκτός από τα τρία τελευταία πλαίσια ελέγχου).

Ρύζι. 4. 35. Ρύθμιση της περιοχής εισαγωγής.

Μετά από αυτό, τα εισαγόμενα δεδομένα θα εμφανιστούν στο παράθυρο.

Ρύζι. 4. 36. Αποτελέσματα εισαγωγής.

Εκτελέστε το πακέτο ανάλυσης χρησιμοποιώντας νευρωνικά δίκτυα. Για να το κάνετε αυτό, επιλέξτε "Neural Networks" από το μενού "Analysis".

Ρύζι. 4. 37. Επιλογή μεθόδου επεξεργασίας δεδομένων - «νευρωνικό δίκτυο».

μετά το οποίο θα εμφανιστεί το παράθυρο πακέτου STATISTICA Neural Networks:

Ρύζι. 4. 38. Παράθυρο έναρξης για την ανάλυση «νευρωνικών δικτύων».

Μεταβείτε στην καρτέλα "Γρήγορη", όπου πρέπει να ορίσετε τον τύπο εργασίας - Regression και το εργαλείο - Network Designer.

Ρύζι. 4. 39. Εκκίνηση του σχεδιαστή νευρωνικών δικτύων.

Στη συνέχεια, πατώντας το κουμπί «OK», θα μεταβείτε στη λειτουργία επιλογής μεταβλητών εξόδου (εξαρτώμενη) και εισόδου (ανεξάρτητης). Επιλέγουμε το “Lead” ως πρώτο και τον αριθμό των αυτοκινήτων όλων των κατηγοριών ως τα τελευταία. Οι στήλες "Όχι" και "Οδός" παραμένουν αχρησιμοποίητες.

Ρύζι. 4. 40. Επιλογή δεδομένων εισόδου και εξόδου για ένα νευρωνικό δίκτυο.

Κάνοντας κλικ στο "Ok" θα επιστρέψετε στην καρτέλα "Γρήγορη". Στη συνέχεια, κάνοντας ξανά κλικ στο κουμπί "Ok", θα μεταφερθείτε στο παράθυρο σχηματισμού νευρωνικού δικτύου. Στην καρτέλα "Γρήγορη", πρέπει να επιλέξετε τον τύπο δικτύου - πολυστρωματικό perceptron,

Ρύζι. 4. 41. Επιλογή του τύπου νευρωνικού δικτύου.

και στην καρτέλα "Στοιχεία" μπορείτε να καθορίσετε τον απαιτούμενο αριθμό επιπέδων, τον αριθμό των νευρώνων σε καθένα, καθώς και τον τύπο της λειτουργίας ενεργοποίησης:

Ρύζι. 4. 42. Ρύθμιση του αριθμού των στρωμάτων και των τύπων νευρώνων.

Ρύζι. 4. 43. Επιλογή μεθόδου εκπαίδευσης νευρωνικού δικτύου.

Εδώ, κάνοντας κλικ στο κουμπί «Δείγματα», μπορείτε να ορίσετε τον αριθμό των παραδειγμάτων εκπαίδευσης, ελέγχου και δοκιμής. Εάν ορίσετε τον αριθμό των παραδειγμάτων δοκιμής και ελέγχου σε μηδέν, τότε το δίκτυο θα εκπαιδευτεί χρησιμοποιώντας όλα τα παραδείγματα:

Ρύζι. 4. 44. Προσδιορίστε δεδομένα για εκπαίδευση και δοκιμές.

Επιστρέφοντας στο κύριο παράθυρο εκπαίδευσης, μπορείτε να κάνετε κλικ στο κουμπί "Χρήστης" και να μεταβείτε στην καρτέλα "Διαδραστική", να ζητήσετε να αντικατοπτριστεί η διαδικασία εκπαίδευσης με τη μορφή γραφήματος:

Ρύζι. 4. 45. Καθορισμός του τύπου γραφήματος για την επίδειξη της μαθησιακής διαδικασίας.

Τέλος, κάνοντας κλικ στο κουμπί «Ok», θα ξεκινήσετε τη διαδικασία εκμάθησης, το αποτέλεσμα της οποίας θα εμφανιστεί στο γράφημα:

Ρύζι. 4. 46. Εκπαίδευση νευρωνικού δικτύου.

Κάνοντας κλικ στο κουμπί "Ok", θα μεταφερθείτε στο παράθυρο αποτελεσμάτων, όπου μπορείτε να μελετήσετε τα διάφορα χαρακτηριστικά του δημιουργημένου δικτύου μετακινώντας τις καρτέλες του παραθύρου:

Ρύζι. 4. 47. Αποτελέσματα μοντελοποίησης νευρωνικών δικτύων.

Έτσι, για παράδειγμα, στην καρτέλα "Για προχωρημένους" υπάρχει ένα κουμπί "Αρχιτεκτονική δικτύου", κάνοντας κλικ στο οποίο μπορείτε να δείτε την τοπολογία του κατασκευασμένου δικτύου:

Ρύζι. 4. 48. Άποψη του κατασκευασμένου νευρωνικού δικτύου.

καθώς και το κουμπί «Παρατηρήσεις χρήστη», όπου μπορείτε να δώσετε στο δίκτυο νέα αρχικά δεδομένα και να λάβετε απάντηση από ένα ήδη εκπαιδευμένο δίκτυο.

Ποιες είναι οι ομοιότητες και οι διαφορές μεταξύ των γλωσσών του νευροϋπολογισμού και της στατιστικής στην ανάλυση δεδομένων; Ας δούμε ένα απλό παράδειγμα.

Ας υποθέσουμε ότι έχουμε παρατηρήσειςκαι μετρήθηκε πειραματικά Νζεύγη σημείων που αντιπροσωπεύουν μια λειτουργική σχέση. Εάν προσπαθήσετε να χαράξετε την καλύτερη ευθεία γραμμή μέσα από αυτά τα σημεία, τα οποία στη γλώσσα της στατιστικής θα σημαίνει ότι χρησιμοποιείτε για να περιγράψετε την άγνωστη εξάρτηση γραμμικό μοντέλο

(όπου υποδηλώνει θόρυβο κατά την παρατήρηση), τότε η λύση στο αντίστοιχο πρόβλημα γραμμικής παλινδρόμησηςθα περιοριστεί στην εύρεση των εκτιμώμενων τιμών των παραμέτρων που ελαχιστοποιούν το άθροισμα των τετραγωνικών υπολείμματα.

Εάν βρεθούν οι παράμετροι, τότε η τιμή μπορεί να εκτιμηθεί yγια οποιαδήποτε αξία Χ,δηλαδή να υλοποιήσει παρεμβολήΚαι παρέκτασηδεδομένα.

Το ίδιο πρόβλημα μπορεί να λυθεί χρησιμοποιώντας ένα δίκτυο μονού επιπέδου με μία είσοδο και μία μόνο γραμμικόςνευρώνας εξόδου. Βάρος συνδέσμου ένακαι κατώφλι σιμπορεί να ληφθεί ελαχιστοποιώντας την ίδια τιμή του υπολειπόμενου (που σε αυτή την περίπτωση θα ονομάζεται ρίζα μέσου τετραγώνου λάθος) στη διάρκεια εκπαίδευσηδίκτυα, για παράδειγμα χρησιμοποιώντας τη μέθοδο backpropagation. Ιδιότητα νευρωνικού δικτύου γενίκευσηστη συνέχεια θα χρησιμοποιηθεί για την πρόβλεψη της τιμής εξόδου από την τιμή εισόδου.

Εικόνα 25. Γραμμική παλινδρόμηση και το μονοστρωματικό perceptron που την υλοποιεί.

Όταν συγκρίνουμε αυτές τις δύο προσεγγίσεις, αυτό που χτυπά αμέσως το μάτι είναι ότι κατά την περιγραφή των μεθόδων τους, οι στατιστικές απευθύνονται ΜΑΘΗΜΑΤΙΚΟΙ τυποιΚαι εξισώσεις, και νευρουπολογιστών να γραφική περιγραφή νευρωνικών αρχιτεκτονικών.

1 Αν θυμηθούμε ότι το αριστερό ημισφαίριο λειτουργεί με τύπους και εξισώσεις, και το δεξί ημισφαίριο με γραφικές εικόνες, τότε μπορούμε να καταλάβουμε ότι σε σύγκριση με τις στατιστικές, " δεξί ημισφαίριοΠροσέγγιση νευρωνικών δικτύων.

Μια άλλη σημαντική διαφορά είναι ότι για τις στατιστικές μεθόδους δεν έχει σημασία πώς ελαχιστοποιείται η απόκλιση - σε κάθε περίπτωση μοντέλοπαραμένει η ίδια, ενώ για τον νευρουπολογισμό τον κύριο ρόλο παίζει μέθοδος διδασκαλίας.Με άλλα λόγια, σε αντίθεση με την προσέγγιση του νευρωνικού δικτύου, η εκτίμηση των παραμέτρων του μοντέλου για στατιστικές μεθόδους δεν εξαρτάται από τη μέθοδο ελαχιστοποίησης. Ταυτόχρονα, οι στατιστικολόγοι θα εξετάσουν αλλαγές στον τύπο του υπολειμματικού, ας πούμε από

Πως θεμελιώδης αλλαγή στο μοντέλο.

Σε αντίθεση με την προσέγγιση των νευρωνικών δικτύων, στην οποία ο περισσότερος χρόνος αφιερώνεται σε δίκτυα εκπαίδευσης, στη στατιστική προσέγγιση αυτός ο χρόνος αφιερώνεται σε μια ενδελεχή ανάλυση του προβλήματος. Χρησιμοποιεί την τεχνογνωσία των στατιστικολόγων για να επιλέξει ένα μοντέλο με βάση την ανάλυση δεδομένων και πληροφοριών που αφορούν συγκεκριμένα τον τομέα. Η χρήση νευρωνικών δικτύων - αυτών των καθολικών προσεγγιστών - πραγματοποιείται συνήθως χωρίς τη χρήση εκ των προτέρων γνώσης, αν και σε ορισμένες περιπτώσεις είναι πολύ χρήσιμη. Για παράδειγμα, για το υπό εξέταση γραμμικό μοντέλο, η χρήση του ριζικού μέσου τετραγώνου σφάλματος οδηγεί στη λήψη μιας βέλτιστης εκτίμησης των παραμέτρων του όταν η τιμή του θορύβου έχει κανονική κατανομή με την ίδια διακύμανση για όλα τα ζεύγη προπόνησης. Παράλληλα, αν είναι γνωστό ότι οι διασπορές αυτές είναι διαφορετικές, τότε η χρήση σταθμισμένησυναρτήσεις σφάλματος

μπορεί να δώσει σημαντικά καλύτερες τιμές παραμέτρων.

Εκτός από το απλούστερο μοντέλο που εξετάστηκε, μπορούμε να δώσουμε παραδείγματα άλλων, κατά μία έννοια, ισοδύναμων μοντέλων στατιστικών και παραδειγμάτων νευρωνικών δικτύων

Πίνακας 3. Παρόμοιες τεχνικές

Το δίκτυο Hopfield έχει μια προφανή σχέση με την ομαδοποίηση δεδομένων και την ανάλυση παραγόντων.

1 Παραγοντική ανάλυσηχρησιμοποιείται για μελέτη δομέςδεδομένα. Η κύρια υπόθεση του είναι η υπόθεση της ύπαρξης τέτοιων σημείων - παράγοντες, το οποίο δεν μπορεί να παρατηρηθεί άμεσα, αλλά μπορεί να εκτιμηθεί από αρκετά παρατηρήσιμα πρωτογενή χαρακτηριστικά. Για παράδειγμα, σημάδια όπως όγκος παραγωγήςΚαι κόστος των παγίων στοιχείων ενεργητικού, μπορεί να καθορίσει έναν τέτοιο παράγοντα όπως κλίμακας παραγωγής. Σε αντίθεση με τα νευρωνικά δίκτυα, τα οποία απαιτούν εκπαίδευση, η παραγοντική ανάλυση μπορεί να λειτουργήσει μόνο με συγκεκριμένο αριθμό παρατηρήσεων. Αν και, κατ' αρχήν, ο αριθμός τέτοιων παρατηρήσεων θα πρέπει να είναι μόνο μία μεγαλύτερος από τον αριθμό των μεταβλητών, συνιστάται η χρήση τουλάχιστον τριπλάσιου αριθμού τιμών. Αυτό εξακολουθεί να θεωρείται μικρότερο από το μέγεθος του δείγματος εκπαίδευσης για το νευρωνικό δίκτυο. Ως εκ τούτου, οι στατιστικολόγοι επισημαίνουν το πλεονέκτημα της παραγοντικής ανάλυσης στη χρήση λιγότερων δεδομένων και ως εκ τούτου οδηγεί σε ταχύτερη δημιουργία μοντέλων. Επιπλέον, αυτό σημαίνει ότι η εφαρμογή μεθόδων παραγοντικής ανάλυσης απαιτεί λιγότερο ισχυρά υπολογιστικά εργαλεία. Ένα άλλο πλεονέκτημα της παραγοντικής ανάλυσης είναι ότι είναι μέθοδος λευκού κουτιού, δηλ. εντελώς ανοιχτό και κατανοητό - ο χρήστης μπορεί εύκολα να καταλάβει γιατί το μοντέλο παράγει ένα συγκεκριμένο αποτέλεσμα. Η σύνδεση μεταξύ της παραγοντικής ανάλυσης και του μοντέλου Hopfield μπορεί να φανεί ανακαλώντας τα ελάχιστα διανύσματα βάσης για ένα σύνολο παρατηρήσεων (εικόνες μνήμης - βλέπε Κεφάλαιο 5). Αυτά τα διανύσματα είναι ανάλογα των παραγόντων που ενώνουν διάφορα συστατικά των διανυσμάτων μνήμης - πρωτεύοντα χαρακτηριστικά.

1 Λογιστική παλινδρόμησηείναι μια μέθοδος δυαδικής ταξινόμησης που χρησιμοποιείται ευρέως στη λήψη οικονομικών αποφάσεων. Σας επιτρέπει να εκτιμήσετε την πιθανότητα πραγματοποίησης (ή μη πραγματοποίησης) κάποιου γεγονότος ανάλογα με τις τιμές ορισμένων ανεξάρτητων μεταβλητών - προβλέψεων: x 1,...,x N. Στο μοντέλο λογιστικής παλινδρόμησης, αυτή η πιθανότητα έχει την αναλυτική μορφή: Pr( Χ) =(1+exp(-z)) -1, όπου z = a 0 + a 1 x 1 +...+ a N x N. Το ανάλογο του νευρωνικού δικτύου είναι προφανώς ένα μονοστρωματικό perceptron με έναν μη γραμμικό νευρώνα εξόδου. Σε οικονομικές εφαρμογές, η λογιστική παλινδρόμηση προτιμάται έναντι της πολυμεταβλητής γραμμικής παλινδρόμησης και της διακριτικής ανάλυσης για διάφορους λόγους. Ειδικότερα, διασφαλίζει αυτόματα ότι η πιθανότητα ανήκει στο διάστημα και επιβάλλει λιγότερους περιορισμούς στην κατανομή των τιμών πρόβλεψης. Το τελευταίο είναι πολύ σημαντικό, καθώς η κατανομή των αξιών των χρηματοοικονομικών δεικτών με τη μορφή δεικτών συνήθως δεν είναι κανονική και είναι «πολύ λοξή». Το πλεονέκτημα των νευρωνικών δικτύων είναι ότι αυτή η κατάσταση δεν τους δημιουργεί πρόβλημα. Επιπλέον, τα νευρωνικά δίκτυα δεν είναι ευαίσθητα στη συσχέτιση των τιμών πρόβλεψης, ενώ οι μέθοδοι για την εκτίμηση των παραμέτρων του μοντέλου παλινδρόμησης σε αυτή την περίπτωση συχνά δίνουν ανακριβείς τιμές.

Σχόλιο: Νευρωνικά δίκτυα και στατιστικές. Νευρωνικά δίκτυα και ασαφής λογική. Νευρωνικά δίκτυα και έμπειρα συστήματα. Νευρωνικά δίκτυα και στατιστική φυσική.

Τα ζώα χωρίζονται σε:

που ανήκει στον Αυτοκράτορα,

ταριχευμένος,

εξημερωμένος,

κορόιδα,

σειρήνες,

υπέροχο,

μεμονωμένα σκυλιά,

περιλαμβάνονται σε αυτή την ταξινόμηση,

τρέχει σαν τρελός

αμέτρητος,

βαμμένο με την καλύτερη βούρτσα τρίχας καμήλας,

οι υπολοιποι,

έσπασε ένα βάζο με λουλούδια,

από απόσταση που μοιάζει με μύγες.

H. L. Borges, "The Analytic Language of John Wilkins"

Ο νευρουπολογιστής έχει πολλά σημεία επαφής με άλλους κλάδους και τις μεθόδους τους. Συγκεκριμένα, η θεωρία των νευρωνικών δικτύων χρησιμοποιεί τη συσκευή της στατιστικής μηχανικής και της θεωρίας βελτιστοποίησης. Οι τομείς εφαρμογής της νευρουπολογιστικής μερικές φορές επικαλύπτονται έντονα ή σχεδόν συμπίπτουν με τους τομείς εφαρμογής της μαθηματικής στατιστικής, της ασαφούς θεωρίας συνόλων και των έμπειρων συστημάτων. Οι συνδέσεις και οι παραλληλισμοί του νευροϋπολογιστικού είναι εξαιρετικά διαφορετικοί και δείχνουν την καθολικότητά του. Σε αυτή τη διάλεξη, που μπορεί να θεωρηθεί συμπληρωματική, μιας και απαιτεί κάπως πιο μαθηματική προετοιμασία, θα μιλήσουμε μόνο για τις πιο σημαντικές από αυτές.

Νευρωνικά δίκτυα και στατιστικές

Δεδομένου ότι τα νευρωνικά δίκτυα χρησιμοποιούνται πλέον με επιτυχία για την ανάλυση δεδομένων, είναι σκόπιμο να συγκριθούν με παλαιότερες, καλά ανεπτυγμένες στατιστικές μεθόδους. Στη βιβλιογραφία των στατιστικών, μπορεί μερικές φορές να συναντήσετε τη δήλωση ότι οι πιο συχνά χρησιμοποιούμενες προσεγγίσεις νευρωνικών δικτύων δεν είναι τίποτα άλλο από αναποτελεσματικά μοντέλα παλινδρόμησης και διακριτικής μεταχείρισης. Το έχουμε ήδη σημειώσει πριν πολυστρωματικά νευρωνικά δίκτυαμπορεί πραγματικά να λύσει προβλήματα όπως η παλινδρόμηση και η ταξινόμηση. Ωστόσο, πρώτον, η επεξεργασία δεδομένων από νευρωνικά δίκτυα είναι πολύ πιο διαφορετική - θυμηθείτε, για παράδειγμα, την ενεργή ταξινόμηση από δίκτυα Hopfield ή χάρτες χαρακτηριστικών Kohonen, που δεν έχουν στατιστικά ανάλογα. Δεύτερον, πολλές μελέτες σχετικά με τη χρήση των νευρωνικών δικτύων στα οικονομικά και τις επιχειρήσεις έχουν αποκαλύψει τα πλεονεκτήματά τους σε σχέση με τις προηγούμενες στατιστικές μεθόδους. Ας ρίξουμε μια πιο προσεκτική ματιά στα αποτελέσματα της σύγκρισης των μεθόδων των νευρωνικών δικτύων και της μαθηματικής στατιστικής.

Είναι τα νευρωνικά δίκτυα γλώσσα περιγραφής;

Όπως σημειώθηκε, ορισμένοι στατιστικολόγοι υποστηρίζουν ότι οι προσεγγίσεις των νευρωνικών δικτύων για την επεξεργασία δεδομένων απλώς ανακαλύπτονται ξανά και επαναδιατυπώνονται, αλλά γνωστές στατιστικές μέθοδοι ανάλυσης. Με άλλα λόγια, ο νευροϋπολογιστής χρησιμοποιεί απλώς μια νέα γλώσσα για να περιγράψει την παλιά γνώση. Για παράδειγμα, εδώ είναι ένα απόσπασμα από τον Warren Searle:

Πολλοί ερευνητές νευρωνικών δικτύων είναι μηχανικοί, φυσικοί, νευροεπιστήμονες, ψυχολόγοι ή επιστήμονες υπολογιστών που γνωρίζουν ελάχιστα για τη στατιστική και τη μη γραμμική βελτιστοποίηση. Οι ερευνητές νευρωνικών δικτύων ανακαλύπτουν συνεχώς μεθόδους που είναι γνωστές στη μαθηματική και στατιστική βιβλιογραφία για δεκαετίες και αιώνες, αλλά συχνά δεν μπορούν να καταλάβουν πώς λειτουργούν αυτές οι μέθοδοι.

Αυτή η άποψη, με την πρώτη ματιά, μπορεί να φαίνεται λογική. Ο φορμαλισμός των νευρωνικών δικτύων μπορεί πραγματικά να ισχυριστεί ότι είναι μια παγκόσμια γλώσσα. Δεν είναι τυχαίο ότι ήδη στην πρωτοποριακή εργασία των McCulloch και Pitts αποδείχθηκε ότι μια περιγραφή νευρωνικού δικτύου ισοδυναμεί με μια περιγραφή της προτασιακής λογικής.

Στην πραγματικότητα ανακάλυψα ότι με την τεχνική που ανέπτυξα στην εργασία του 1961 (...), μπορούσα εύκολα να απαντήσω σε όλες τις ερωτήσεις που μου έκαναν οι επιστήμονες του εγκεφάλου (...) ή οι επιστήμονες υπολογιστών. Ως φυσικός, ωστόσο, ήξερα καλά ότι μια θεωρία που εξηγεί τα πάντα στην πραγματικότητα δεν εξηγεί τίποτα: στην καλύτερη περίπτωση είναι μια γλώσσα. Εντουάρντο Καγιανέλο

Δεν προκαλεί έκπληξη, επομένως, ότι οι στατιστικολόγοι συχνά ανακαλύπτουν ότι οι έννοιες με τις οποίες είναι εξοικειωμένες έχουν τα ανάλογα τους στη θεωρία των νευρωνικών δικτύων. Ο Warren Searle έχει συντάξει ένα μικρό γλωσσάρι όρων που χρησιμοποιούνται σε αυτούς τους δύο τομείς.

Πίνακας 11.1. Γλωσσάρι παρόμοιων όρων

Νευρωνικά δίκτυα	Στατιστικές μέθοδοι.
Σημάδια	μεταβλητές
εισροές	ανεξάρτητες μεταβλητές
εξόδους	προβλεπόμενες τιμές
στοχευόμενες τιμές	εξαρτημένων μεταβλητών
λάθος	υπολειπόμενο
εκπαίδευση, προσαρμογή, αυτοοργάνωση	Βαθμός
συνάρτηση σφάλματος, συνάρτηση Lyapunov	κριτήριο αξιολόγησης
εικόνες εκπαίδευσης (ζευγάρια)	παρατηρήσεις
παράμετροι δικτύου: βάρη, κατώφλια.	Εκτιμώμενες παράμετροι
νευρώνες υψηλής τάξης	αλληλεπιδράσεις
λειτουργικές συνδέσεις	μεταμόρφωση
εποπτευόμενη μάθηση ή ετεροσύνδεση	παλινδρόμηση και διακριτική ανάλυση
μάθηση χωρίς επίβλεψη ή αυτόματη συσχέτιση	συμπίεση δεδομένων
ανταγωνιστική μάθηση, προσαρμοστική διανυσματική κβαντοποίηση	ανάλυση συστάδων
γενίκευση	παρεμβολή και παρέκταση

Ποια είναι η διαφορά μεταξύ νευρωνικών δικτύων και στατιστικών;

Ας υποθέσουμε ότι έχουμε κάνει παρατηρήσεις και έχουμε μετρήσει πειραματικά Ν ζεύγη σημείων που αντιπροσωπεύουν τη συναρτησιακή εξάρτηση. Αν προσπαθήσουμε να τραβήξουμε την καλύτερη ευθεία γραμμή μέσα από αυτά τα σημεία, που στη γλώσσα της στατιστικής θα σημαίνει τη χρήση ενός γραμμικού μοντέλου για την περιγραφή της άγνωστης εξάρτησης , (όπου υποδηλώνει τον θόρυβο κατά την παρατήρηση), τότε θα λυθεί το αντίστοιχο πρόβλημα γραμμικής παλινδρόμησης. μειώνεται στην εύρεση των εκτιμώμενων τιμών των παραμέτρων που ελαχιστοποιούν το άθροισμα των τετραγωνικών υπολειμμάτων.

Εάν βρεθούν οι παράμετροι, τότε είναι δυνατό να εκτιμηθεί η τιμή του y για οποιαδήποτε τιμή του x, δηλαδή να γίνει παρεμβολή και παρέκταση των δεδομένων.

Το ίδιο πρόβλημα μπορεί να λυθεί χρησιμοποιώντας δίκτυο ενός επιπέδουμε μία μόνο είσοδο και έναν μόνο γραμμικό νευρώνα εξόδου. Το βάρος σύνδεσης a και το κατώφλι b μπορούν να ληφθούν ελαχιστοποιώντας την ίδια ποσότητα υπολειπόμενου (που σε αυτή την περίπτωση θα ονομάζεται ρίζα μέσου τετραγώνου σφάλματος) κατά τη διάρκεια της εκπαίδευσης δικτύου, για παράδειγμα, χρησιμοποιώντας τη μέθοδο backpropagation. Η ιδιότητα γενίκευσης του νευρωνικού δικτύου θα χρησιμοποιηθεί για την πρόβλεψη της τιμής εξόδου από την τιμή εισόδου.

Ρύζι. 11.1.

Όταν συγκρίνετε αυτές τις δύο προσεγγίσεις, αυτό που σας τραβάει αμέσως το μάτι είναι ότι κατά την περιγραφή των μεθόδων τους, οι στατιστικές αναφέρονται σε τύπους και εξισώσεις και ο νευρουπολογισμός αναφέρεται σε μια γραφική περιγραφή των νευρωνικών αρχιτεκτονικών.

Αν θυμηθούμε ότι το αριστερό ημισφαίριο λειτουργεί με τύπους και εξισώσεις και το δεξί ημισφαίριο με γραφικές εικόνες, τότε μπορούμε να καταλάβουμε ότι σε σύγκριση με τις στατιστικές, εμφανίζεται ξανά η φύση του «δεξιού ημισφαιρίου» της προσέγγισης του νευρωνικού δικτύου.

Μια άλλη σημαντική διαφορά είναι ότι για τις στατιστικές μεθόδους δεν έχει σημασία πώς ελαχιστοποιείται η απόκλιση - σε κάθε περίπτωση, το μοντέλο παραμένει το ίδιο, ενώ για τους νευροϋπολογιστές είναι η μέθοδος εκπαίδευσης που παίζει τον κύριο ρόλο. Με άλλα λόγια, σε αντίθεση με την προσέγγιση του νευρωνικού δικτύου, η εκτίμηση των παραμέτρων του μοντέλου για τις στατιστικές μεθόδους δεν εξαρτάται από μέθοδος ελαχιστοποίησης. Ταυτόχρονα, οι στατιστικολόγοι θα εξετάσουν αλλαγές στον τύπο του υπολειμματικού, ας πούμε από

Σαν μια θεμελιώδης αλλαγή στο μοντέλο.

Σε αντίθεση με την προσέγγιση των νευρωνικών δικτύων, στην οποία ο περισσότερος χρόνος αφιερώνεται σε δίκτυα εκπαίδευσης, στη στατιστική προσέγγιση αυτός ο χρόνος αφιερώνεται σε μια ενδελεχή ανάλυση του προβλήματος. Χρησιμοποιεί την τεχνογνωσία των στατιστικολόγων για να επιλέξει ένα μοντέλο με βάση την ανάλυση δεδομένων και πληροφοριών που αφορούν συγκεκριμένα τον τομέα. Η χρήση νευρωνικών δικτύων - αυτών των καθολικών προσεγγιστών - πραγματοποιείται συνήθως χωρίς τη χρήση εκ των προτέρων γνώσης, αν και σε ορισμένες περιπτώσεις είναι πολύ χρήσιμη. Για παράδειγμα, για το υπό εξέταση γραμμικό μοντέλο, η χρήση του ριζικού μέσου τετραγώνου σφάλματος οδηγεί στη λήψη μιας βέλτιστης εκτίμησης των παραμέτρων του όταν η τιμή του θορύβου έχει κανονική κατανομή με την ίδια διακύμανση για όλα τα ζεύγη προπόνησης. Ταυτόχρονα, εάν είναι γνωστό ότι αυτές οι αποκλίσεις είναι διαφορετικές, τότε χρησιμοποιήστε μια συνάρτηση σταθμισμένου σφάλματος

Μπορεί να δώσει σημαντικά καλύτερες τιμές παραμέτρων.

Το δίκτυο Hopfield έχει μια προφανή σχέση με την ομαδοποίηση δεδομένων και την ανάλυση παραγόντων.

Παραγοντική ανάλυσηχρησιμοποιείται για τη μελέτη της δομής δεδομένων. Η βασική του υπόθεση είναι η υπόθεση της ύπαρξης τέτοιων σημείων - παραγόντων που δεν μπορούν να παρατηρηθούν άμεσα, αλλά μπορούν να εκτιμηθούν από αρκετά παρατηρήσιμα πρωτεύοντα σημεία. Για παράδειγμα, χαρακτηριστικά όπως ο όγκος παραγωγής και το κόστος των πάγιων περιουσιακών στοιχείων μπορούν να καθορίσουν έναν παράγοντα όπως η κλίμακα παραγωγής. Σε αντίθεση με τα νευρωνικά δίκτυα, τα οποία απαιτούν εκπαίδευση, η παραγοντική ανάλυση μπορεί να λειτουργήσει μόνο με συγκεκριμένο αριθμό παρατηρήσεων. Αν και, κατ' αρχήν, ο αριθμός τέτοιων παρατηρήσεων θα πρέπει να είναι μόνο μία μεγαλύτερος από τον αριθμό των μεταβλητών, συνιστάται η χρήση τουλάχιστον τριπλάσιου αριθμού τιμών. Αυτό εξακολουθεί να θεωρείται μικρότερο από το μέγεθος του δείγματος εκπαίδευσης για το νευρωνικό δίκτυο. Ως εκ τούτου, οι στατιστικολόγοι επισημαίνουν το πλεονέκτημα της παραγοντικής ανάλυσης στη χρήση λιγότερων δεδομένων και ως εκ τούτου οδηγεί σε ταχύτερη δημιουργία μοντέλων. Επιπλέον, αυτό σημαίνει ότι η εφαρμογή μεθόδων παραγοντικής ανάλυσης απαιτεί λιγότερο ισχυρά υπολογιστικά εργαλεία. Ένα άλλο πλεονέκτημα της παραγοντικής ανάλυσης είναι ότι είναι μέθοδος λευκού κουτιού, δηλ. εντελώς ανοιχτό και κατανοητό - ο χρήστης μπορεί εύκολα να καταλάβει γιατί το μοντέλο παράγει ένα συγκεκριμένο αποτέλεσμα. Η σύνδεση μεταξύ της παραγοντικής ανάλυσης και του μοντέλου Hopfield μπορεί να φανεί ανακαλώντας τα διανύσματα ελάχιστη βάσηγια ένα σύνολο παρατηρήσεων (εικόνες μνήμης - βλ. Διάλεξη 5). Αυτά τα διανύσματα είναι ανάλογα των παραγόντων που ενώνουν διάφορα συστατικά των διανυσμάτων μνήμης - πρωτεύοντα χαρακτηριστικά.

Κατά τη διάρκεια ενός συγκεκριμένου ιστορικού παρακολούθησης ασθενών, έχει συσσωρευτεί μια σειρά δεδομένων και αποθηκεύονται σε έναν πίνακα στο σύστημα STATISTICA. Ο αντίστοιχος Πίνακας Δεδομένων φαίνεται στο Σχήμα 6.

Εικόνα 6. Τμήμα του πίνακα δεδομένων πηγής

Σκοπός της μελέτης είναι να οικοδομήσει ένα μοντέλο νευρωνικών δικτύων που, με βάση ένα δεδομένο σύνολο αρχικών δεδομένων (στοιχεία εξέτασης ασθενούς, αποτελέσματα εξετάσεων, θεραπεία πριν από την εισαγωγή), με βάση τη θεραπεία που συνταγογραφήθηκε στο νοσοκομείο, θα παράγει μια πρόγνωση για τον θεραπεία (τιμές εισαγωγής στο νοσοκομείο I-APFARA, BAB, BKK, διουρητικά, φάρμακα κεντρικής δράσης) με επαρκή ακρίβεια.

Το γεγονός ότι το πρόβλημα είναι μη γραμμικό είναι αναμφισβήτητο. Φυσικά, θα μπορούσε κανείς να προσπαθήσει να λύσει το πρόβλημα χρησιμοποιώντας το δομοστοιχείο μη γραμμικής εκτίμησης STATISTICA, δηλαδή χρησιμοποιώντας τις επαναληπτικές διαδικασίες που προσφέρει αυτή η ενότητα για να «ψάψει» τον τύπο της συνάρτησης. Ωστόσο, υπάρχει μια σειρά από προβλήματα εδώ που επεκτείνουν σημαντικά τη διαδικασία για την εξεύρεση λύσης. Το σημαντικότερο από αυτά είναι η διατύπωση μιας υπόθεσης για τη ρητή μορφή της εξάρτησης που μελετάται, η οποία δεν είναι καθόλου προφανής.

Χωρίς πρόσθετη έρευνα, είναι δύσκολο να πούμε οτιδήποτε για τον προφανή τύπο εξάρτησης. Επιπλέον, πρέπει να αναφερθεί ότι δεν λάβαμε υπόψη έναν ακόμη παράγοντα. Γενικά, η επίλυση ενός τέτοιου προβλήματος χρησιμοποιώντας μη γραμμικές μεθόδους εκτίμησης μπορεί να διαρκέσει πολύ χρόνο ή μπορεί να μην οδηγήσει σε τίποτα. Σε τέτοιες κρίσιμες καταστάσεις, όταν είναι γνωστό ότι

Υπάρχει σχέση μεταξύ των μεταβλητών.

Η σχέση είναι σίγουρα μη γραμμική.

Είναι δύσκολο να πούμε οτιδήποτε για την προφανή μορφή εξάρτησης,

Οι αλγόριθμοι νευρωνικών δικτύων βοηθούν. Ας εξετάσουμε έναν τρόπο επίλυσης αυτού του προβλήματος στη μονάδα STATISTICA Neural Networks.

Δυστυχώς, δεν υπάρχουν καθολικοί κανόνες που να υποδεικνύουν ποια τοπολογία νευρωνικών δικτύων πρέπει να ακολουθηθεί για την επίλυση ενός συγκεκριμένου προβλήματος. Επομένως, είναι απαραίτητη μια λογική διαδικασία για την εύρεση του σωστού δικτύου.

Η ενότητα Neural Networks του συστήματος STATISTICA περιλαμβάνει μια διαδικασία που οργανώνει την αναζήτηση για την επιθυμητή διαμόρφωση δικτύου. Αυτή η διαδικασία συνίσταται στην κατασκευή και δοκιμή ενός μεγάλου αριθμού δικτύων με διαφορετικές αρχιτεκτονικές και στη συνέχεια στην επιλογή μεταξύ αυτών του δικτύου που είναι καταλληλότερο για την επίλυση του δεδομένου προβλήματος. Αυτό το εργαλείο ονομάζεται Έξυπνος Επίλυση προβλημάτων. Για να εκκινήσετε τη μονάδα Neural Networks, πρέπει να χρησιμοποιήσετε την ομώνυμη εντολή στο κύριο μενού του συστήματος STATISTICA - Statistics. (Εικόνα 7)

Εικόνα 7. Εκκίνηση της ενότητας Neural Networks

Η ακόλουθη διατριβή είναι πολύ συνηθισμένη: «Τα νευρωνικά δίκτυα είναι μια καθολική δομή που σας επιτρέπει να εφαρμόσετε οποιονδήποτε αλγόριθμο». Ας προσπαθήσουμε, πιστεύοντας τυφλά αυτή τη δήλωση, να φτιάξουμε ένα νευρωνικό δίκτυο που θα «έπιανε» αμέσως την προτεινόμενη εξάρτηση (δηλαδή, χωρίς προκαταρκτική διερευνητική ανάλυση).

Ένα από τα πιο σημαντικά ζητήματα που δεν έχει ακόμη επιλυθεί από τη σύγχρονη επιστήμη είναι το ζήτημα της δομής ενός νευρωνικού δικτύου που θα είναι ικανό να αναπαράγει την επιθυμητή πολυδιάστατη μη γραμμική εξάρτηση. Πράγματι, το θεώρημα του Kolmogorov για την πληρότητα, το οποίο απέδειξε το 1957, δηλώνει ότι ένα νευρωνικό δίκτυο είναι ικανό να αναπαράγει οποιαδήποτε (πολύ σημαντική - συνεχή) συνάρτηση. Ωστόσο, δεν προσφέρει στον ερευνητή μια συνταγή για τη δημιουργία ενός τέτοιου δικτύου. Το 1988, αρκετοί συγγραφείς γενίκευσαν το θεώρημα του Κολμογκόροφ και έδειξαν ότι οποιαδήποτε συνεχής συνάρτηση μπορεί να προσεγγιστεί από ένα νευρωνικό δίκτυο τριών επιπέδων με ένα κρυφό στρώμα και έναν αλγόριθμο οπίσθιας διάδοσης με οποιονδήποτε βαθμό ακρίβειας. Έτσι, στην περίπτωσή μας, η θετική πτυχή είναι η γνώση ότι το δίκτυο πρέπει να είναι τριών επιπέδων, αλλά και πάλι δεν υπάρχουν κανόνες που να καθορίζουν τη σχέση μεταξύ «οποιουδήποτε βαθμού ακρίβειας» και του αριθμού των νευρώνων στο ενδιάμεσο. ονομάζεται κρυφό στρώμα.

Συνοψίζοντας όλα τα παραπάνω, σημειώνουμε ότι δεν υπάρχουν καθολικοί κανόνες που να υποδεικνύουν ποια τοπολογία νευρωνικών δικτύων πρέπει να ακολουθηθεί για την επίλυση ενός συγκεκριμένου προβλήματος. Επομένως, είναι απαραίτητη μια λογική διαδικασία για την εύρεση του σωστού δικτύου.

Η ενότητα Neural Networks του συστήματος STATISTICA περιλαμβάνει μια μοναδική διαδικασία που οργανώνει την αναζήτηση για την επιθυμητή διαμόρφωση δικτύου. Αυτό το εργαλείο ονομάζεται Έξυπνος Επίλυση προβλημάτων. Ας χρησιμοποιήσουμε αυτό το εργαλείο και ας αναζητήσουμε ένα νευρωνικό δίκτυο που θα είναι ικανό να λύσει το πρόβλημά μας.

Εικόνα 8. Πλαίσιο εκκίνησης μονάδας νευρωνικών δικτύων

Στην καρτέλα Γρήγορη αυτού του παραθύρου διαλόγου, στην ενότητα Τύπος προβλήματος, προτείνεται να επιλέξετε την κατηγορία προβλημάτων που αντιμετωπίζουμε. Στόχος μας είναι να οικοδομήσουμε μια πολυμεταβλητή σχέση ή, με άλλα λόγια, πολυμεταβλητή μη γραμμική παλινδρόμηση. Αυτό σημαίνει ότι στην ενότητα Τύπος προβλήματος θα πρέπει να καθορίσετε Regression.

Αφού αποφασίσετε για την κατηγορία των εργασιών, είναι απαραίτητο να προσδιορίσετε τις μεταβλητές για τη διεξαγωγή της Ανάλυσης. Για να επιλέξετε μεταβλητές, χρησιμοποιήστε το κουμπί Μεταβλητές. Όταν κάνετε κλικ σε αυτό το κουμπί, εμφανίζεται το πλαίσιο διαλόγου Επιλογή εισόδου (ανεξάρτητη), εξόδου (εξαρτώμενη) και μεταβλητών επιλογέα. Σε αυτό το παράθυρο διαλόγου, πρέπει να καθορίσετε δύο λίστες μεταβλητών. Συνεχείς εκροές, στην περίπτωσή μας, είναι οι μεταβλητές Εισαγωγή στο νοσοκομείο ACEI/ARB, Εισαγωγή στο νοσοκομείο BAB, Εισαγωγή στο νοσοκομείο BKK, Εισαγωγή στο νοσοκομείο διουρητικών και εισαγωγή στο νοσοκομείο φαρμάκων κεντρικής δράσης. Οι συνεχείς είσοδοι, στο παράδειγμά μας, είναι από 1 έως 61 αρχικές παραμέτρους.

Εικόνα 9. Επιλογή μεταβλητών για ανάλυση

Στην ενότητα Επιλογή ανάλυσης, είναι διαθέσιμες δύο επιλογές: Έξυπνη επίλυση προβλημάτων και προσαρμοσμένη σχεδίαση δικτύου. Για την αυτόματη επιλογή παραμέτρων νευρωνικού δικτύου, απαιτείται η πρώτη επιλογή, η οποία έχει οριστεί από προεπιλογή. Για να συνεχίσετε την Ανάλυση, κάντε κλικ στο OK.

Στο επόμενο βήμα, εμφανίζεται το πλαίσιο διαλόγου ρύθμισης Έξυπνης επίλυσης προβλημάτων.

Η ενότητα Γρήγορη περιέχει μια ομάδα επιλογών που είναι υπεύθυνες για το χρόνο εκτέλεσης του αλγόριθμου αναζήτησης νευρωνικών δικτύων. Σε αυτήν την καρτέλα, πρέπει να καθορίσετε τον αριθμό των δικτύων που πρέπει να ελεγχθούν (για να μάθετε εάν είναι κατάλληλα για την επίλυση του διαμορφωμένου προβλήματος) και επίσης να υποδείξετε πόσα από αυτά τα δίκτυα θα συμπεριληφθούν στην τελική αναφορά.

Στην ενότητα Δοκιμασμένα δίκτυα υποδεικνύουμε 100, Διατήρηση δικτύων - 10 (Εικόνα 10)

Η καρτέλα Τύποι καθορίζει τους τύπους νευρωνικών δικτύων που θα χρησιμοποιηθούν στη διαδικασία δοκιμής. Για την επίλυση του προβλήματος της μη γραμμικής παλινδρόμησης, ένα πολυστρωματικό perceptron είναι το πιο κατάλληλο, επομένως επιλέγουμε τα δίκτυα που σημειώνονται στο σχήμα 11.

Εικόνα 10. Ρύθμιση του αριθμού των δικτύων προς δοκιμή

Εικόνα 11. Επιλογή αρχιτεκτονικής δικτύου

Στη συνέχεια, για να οργανωθεί η διαδικασία αναζήτησης και δοκιμής, είναι απαραίτητο να υποδειχθεί το εύρος των αλλαγών στον αριθμό των νευρώνων σε κάθε στρώμα του νευρωνικού δικτύου. Οι συνιστώμενες τιμές για αυτήν την εργασία φαίνονται στο Σχήμα 12.

Εικόνα 12. Ένδειξη των μεγεθών των δειγμάτων εκπαίδευσης, ελέγχου και δοκιμής

Τώρα, αφού ρυθμίσετε όλες τις παραμέτρους εκπαίδευσης, για να ξεκινήσετε τη διαδικασία αναζήτησης δικτύου, πρέπει να κάνετε κλικ στο OK.

Η κατάσταση του αλγορίθμου αναζήτησης εμφανίζεται στο πλαίσιο διαλόγου IPS Training In Progress.

Ενώ εκτελείται ο αλγόριθμος αναζήτησης για ένα κατάλληλο νευρωνικό δίκτυο, αυτό το πλαίσιο διαλόγου παρέχει πληροφορίες σχετικά με το χρόνο εκτέλεσης του αλγορίθμου, καθώς και σχετικά με τα εξεταζόμενα νευρωνικά δίκτυα. Ο σκοπός του αλγόριθμου αναζήτησης είναι να απαριθμήσει έναν αριθμό διαμορφώσεων νευρωνικών δικτύων και να επιλέξει την καλύτερη ως προς το ελάχιστο σφάλμα στην έξοδο του δικτύου και το μέγιστο της απόδοσής του.

Σας άρεσε το άρθρο; Μοιράσου το

Εκτυπώστε αυτό το άρθρο