Alternatyvos pakeisti STATISTICA. Neuroniniai tinklai

STATISTICA Automated Neural Networks yra vienintelis neuroninio tinklo programinės įrangos produktas pasaulyje, kuris yra visiškai išverstas į rusų kalbą!

Neuroninių tinklų metodikos vis labiau plinta įvairiose srityse – nuo ​​fundamentinių tyrimų iki praktinių duomenų analizės, verslo, pramonės ir kt.

yra vienas iš pažangiausių ir efektyviausių neuroninių tinklų produktų rinkoje. Jis siūlo daug unikalių privalumų ir turtingų funkcijų. Pavyzdžiui, unikalios automatinio neuroninio tinklo paieškos įrankio galimybės, , leidžia sistema naudotis ne tik neuroninių tinklų ekspertams, bet ir pradedantiesiems neuroninių tinklų skaičiavimo srityje.

Kokie yra naudojimo privalumai ?

    Išankstinis ir tolesnis apdorojimas, įskaitant duomenų parinkimą, vardinį kodavimą, mastelio keitimą, normalizavimą, trūkstamų duomenų pašalinimą su interpretavimu klasifikuojant, regresijos ir laiko eilučių problemas;

    Išskirtinis naudojimo paprastumas ir neprilygstama analitinė galia; pavyzdžiui, unikalus automatinis neuroninių tinklų paieškos įrankis Automatizuotas neuroninis tinklas (ANN) ves vartotoją per visus įvairių neuroninių tinklų kūrimo etapus ir parinks geriausią (kitaip ši užduotis išsprendžiama per ilgą „bandymų ir klaidų“ procesą ir reikalauja rimtų teorijos žinių);

    Moderniausi, optimizuoti ir galingiausi tinklo mokymo algoritmai (įskaitant konjuguoto gradiento metodus, Levenbergo-Marquardt algoritmą, BFGS, Kohonen algoritmą); visiška visų parametrų, turinčių įtakos tinklo kokybei, tokių kaip aktyvinimo ir klaidų funkcijos, tinklo sudėtingumas, kontrolė;

    Beveik neriboto dydžio neuroninių tinklų ir neuroninių tinklų architektūros ansamblių palaikymas;

    Turtingos grafinės ir statistinės galimybės, palengvinančios interaktyvią tiriamąją analizę;

    Pilna integracija su sistema STATISTIKA; visi rezultatai, grafikai, ataskaitos ir kt. gali būti toliau modifikuojami naudojant galingus grafinius ir analitinius įrankius STATISTIKA(pavyzdžiui, analizuoti prognozuojamus likučius, sukurti išsamią ataskaitą ir pan.);

    Sklandus integravimas su galingais automatizuotais įrankiais STATISTIKA; visavertių makrokomandų įrašymas bet kokiai analizei; kurdami savo neuroninių tinklų analizes ir programas naudodami STATISTIKA Visual Basic iššūkis STATISTICA automatizuoti neuroniniai tinklai iš bet kurios programos, palaikančios COM technologiją (pavyzdžiui, automatinė neuroninio tinklo analizė MS Excel skaičiuoklėje arba kelių pasirinktinių programų, parašytų C, C++, C#, Java ir kt., derinimas).

  • Populiariausių tinklo architektūrų pasirinkimas, įskaitant daugiasluoksnius perceptronus, radialines pagrindines funkcijas ir savaime besitvarkančius funkcijų žemėlapius.
  • Prieinamas įrankis Automatinė tinklo paieška, kuri leidžia automatiškai kurti įvairias neuroninių tinklų architektūras ir reguliuoti jų sudėtingumą.
  • Geriausių neuroninių tinklų išsaugojimas.

    Palaikykite įvairių tipų statistinę analizę ir nuspėjamųjų modelių konstravimą, įskaitant regresiją, klasifikavimą, laiko eilutes su nuolatiniu ir kategorišku priklausomu kintamuoju, klasterių analizę matmenų mažinimui ir vizualizavimui.

    Palaiko kelių modelių įkėlimą ir analizę.

  • Pasirenkama galimybė generuoti šaltinio kodą C, C++, C#, Java, PMML (Predictive Model Markup Language), kurį galima lengvai integruoti į išorinę aplinką kuriant savo programas.

Kodų generatorius

Kodų generatorius STATISTICA automatizuoti neuroniniai tinklai gali generuoti šaltinio sistemos programos kodą neuroninių tinklų modeliams C, Java ir PMML (Predictive Model Markup Language) kalbomis. Kodų generatorius yra papildoma sistemos programa STATISTICA automatizuoti neuroniniai tinklai, kuri leidžia vartotojams, remiantis neuroninio tinklo analize, sugeneruoti C arba Java failą su modelių šaltinio kodu ir integruoti jį į nepriklausomas išorines programas.

    Reikalingas kodo generatorius STATISTICA automatizuoti neuroniniai tinklai.

    Sugeneruoja neuroninio tinklo šaltinio kodo versiją (kaip C, C++, C# arba Java failą).

    Tada C arba Java kodo failas gali būti įterptas į išorines programas.

STATISTIKAAutomatizuotas Neuroniniai tinklai neuroninių tinklų skaičiavime

Neuroninių tinklų naudojimas apima daug daugiau nei tik duomenų apdorojimą naudojant neuroninių tinklų metodus.

STATISTICA automatizuoti neuroniniai tinklai (SANN) suteikia įvairių funkcijų, leidžiančių atlikti labai sudėtingas užduotis, įskaitant ne tik naujausias Neuroninių tinklų architektūros Ir Mokymosi algoritmai, bet ir naujus metodus kuriant neuroninių tinklų architektūras su galimybe išvardinti įvairias aktyvinimo ir klaidų funkcijas, o tai palengvina rezultatų interpretavimą. Be to, programinės įrangos kūrėjai ir naudotojai, eksperimentuojantys su programos nustatymais, įvertins tai, kad atlikę nurodytus eksperimentus paprastoje ir intuityvioje sąsajoje STATISTICA automatizuoti neuroniniai tinklai (SANN),neuroninių tinklų analizės gali būti derinamos tinkintoje programoje. Tai galima pasiekti naudojant COM funkcijų biblioteką STATISTIKA, kuris visiškai atspindi visas programos funkcijas, arba naudojant kodą C/C++, kurį generuoja programa ir kuris padeda paleisti pilnai apmokytą neuroninį tinklą.

Modulis STATISTICA automatizuoti neuroniniai tinklai pilnai integruota su sistema STATISTIKA Taigi, yra didžiulis pasirinkimas duomenų redagavimo (paruošimo) analizei (transformacijos, stebėjimų parinkimo sąlygos, duomenų tikrinimo įrankiai ir kt.).

Kaip ir visi testai STATISTIKA, programa gali būti „prisegta“ prie nuotolinės duomenų bazės naudojant vietoje esančius apdorojimo įrankius arba susieta su tiesioginiais duomenimis, kad modeliai būtų mokomi arba vykdomi (pavyzdžiui, apskaičiuoti numatomas vertes arba klasifikaciją) automatiškai kiekvieną kartą, kai keičiasi duomenys. .

Duomenų mastelio keitimas ir nominalios vertės konvertavimas

Prieš įvedant duomenis į tinklą, jie turi būti tam tikru būdu paruošti. Taip pat svarbu, kad išvesties duomenis būtų galima teisingai interpretuoti. IN STATISTICA automatizuoti neuroniniai tinklai (SANN) galima automatiškai keisti įvesties ir išvesties duomenis; Kintamieji su vardinėmis reikšmėmis taip pat gali būti automatiškai perkoduoti (pavyzdžiui, Lytis = (Vyras, Moteris)), įskaitant kodavimo 1-of-N metodą. STATISTICA automatizuoti neuroniniai tinklai (SANN) taip pat yra įrankiai, skirti dirbti su trūkstamais duomenimis. Yra duomenų paruošimo ir interpretavimo įrankių, specialiai sukurtų laiko eilučių analizei. Taip pat įdiegta daugybė panašių įrankių STATISTIKA.

Klasifikavimo uždaviniuose galima nustatyti pasikliautinuosius intervalus, kurie STATISTICA automatizuoti neuroniniai tinklai (SANN) tada naudojamas stebėjimams priskirti vienai ar kitai klasei. Kartu su specialia įdiegta in STATISTICA automatizuoti neuroniniai tinklai (SANN) Softmax aktyvinimo funkcija ir kryžminės entropijos klaidų funkcijos suteikia pagrindinį tikimybių teorinį požiūrį į klasifikavimo problemas.

Neuroninio tinklo modelio parinkimas, neuroninių tinklų ansambliai

Neuroninių tinklų modelių įvairovė ir daugybė parametrų, kuriuos reikia nustatyti (tinklo dydžiai, mokymosi algoritmo parametrai ir kt.), kai kuriuos vartotojus gali suklaidinti. Bet štai kodėl yra automatinis neuroninio tinklo paieškos įrankis, , kuri gali automatiškai ieškoti tinkamos bet kokio sudėtingumo tinklo architektūros, žr. toliau. Sistemoje STATISTICA automatizuoti neuroniniai tinklai (SANN)Įdiegti visi pagrindiniai neuroninių tinklų tipai, naudojami sprendžiant praktines problemas, įskaitant:

    daugiasluoksniai perceptronai (tinklai su tiesioginiu signalo perdavimu);

    tinklai, pagrįsti radialinio pagrindo funkcijomis;

    savarankiškai besitvarkantys Kohonen žemėlapiai.

Aukščiau pateiktos architektūros naudojamos regresijos, klasifikavimo, laiko eilučių (su nuolatiniu arba kategorišku priklausomu kintamuoju) ir klasterizacijos problemoms spręsti.

Be to, sistemoje STATISTICA automatizuoti neuroniniai tinklai (SANN)įgyvendinta Tinklo ansambliai, sudarytas iš atsitiktinių (bet reikšmingų) minėtų tinklų derinių. Šis metodas ypač naudingas esant triukšmingiems ir mažo matmens duomenims.

Pakuotėje STATISTICA automatizuoti neuroniniai tinklai (SANN) Yra daug įrankių, padedančių vartotojui pasirinkti tinkamą tinklo architektūrą. Sistemos statistiniai ir grafiniai įrankiai apima histogramas, matricas ir klaidų grafikus visai populiacijai ir atskiriems stebėjimams, galutinius duomenis apie teisingą/neteisingą klasifikaciją, o visa svarbi statistika, pavyzdžiui, paaiškinta dispersijos proporcija, apskaičiuojama automatiškai.

Norėdami vizualizuoti duomenis pakuotėje STATISTICA automatizuoti neuroniniai tinklai (SANN)Įdiegti sklaidos diagramos ir 3D atsako paviršiai, padedantys vartotojui suprasti tinklo „elgseną“.

Žinoma, bet kokią informaciją, gautą iš išvardytų šaltinių, galite naudoti tolesnei analizei kitomis priemonėmis. STATISTIKA, taip pat vėlesniam įtraukimui į ataskaitas arba pritaikymui.

STATISTICA automatizuoti neuroniniai tinklai (SANN) automatiškai įsimena geriausią tinklo parinktį iš tų, kurias gavote eksperimentuodami su užduotimi, ir galite bet kada ją naudoti. Tinklo naudingumas ir jo nuspėjamumas automatiškai tikrinami naudojant specialų stebėjimų rinkinį, taip pat įvertinant tinklo dydį, efektyvumą ir neteisingo klasifikavimo kainą. Įgyvendinta m STATISTICA automatizuoti neuroniniai tinklai (SANN) Automatinio kryžminio patvirtinimo ir svorio reguliavimo procedūros leidžia greitai sužinoti, ar jūsų tinklas yra nepakankamai ar per sudėtingas tam tikrai užduočiai atlikti.

Norėdami pagerinti našumą pakuotėje STATISTICA automatizuoti neuroniniai tinklai Pateikiama daugybė tinklo konfigūravimo parinkčių. Taigi, regresijos uždaviniuose galite nurodyti linijinį išvesties tinklo sluoksnį arba tikimybinio įvertinimo ir klasifikavimo uždavinius softmax aktyvinimo funkciją. Sistema taip pat įgyvendina kryžminės entropijos klaidų funkcijas, pagrįstas informacijos teorijos modeliais ir daugybe specialių aktyvinimo funkcijų, įskaitant identiškas, eksponentines, hiperbolines, logistines (sigmoidines) ir sinusines funkcijas tiek paslėptiems, tiek išvesties neuronams.

Automatizuotas neuroninis tinklas (automatinė įvairių neuroninių tinklų architektūrų paieška ir pasirinkimas)

Pakuotės dalis STATISTICA automatizuoti neuroniniai tinklai (SANN) yra automatinis neuroninių tinklų paieškos įrankis, Automatizuotas neuroninis tinklas (ANN) - Automatizuota tinklo paieška (ANS), kuris įvertina daugybę skirtingos architektūros ir sudėtingumo neuroninių tinklų ir parenka geriausios architektūros tinklus konkrečiai užduočiai atlikti.

Kuriant neuroninį tinklą daug laiko sugaišta atrenkant tinkamus kintamuosius ir optimizuojant tinklo architektūrą naudojant euristinę paiešką. STATISTICA automatizuoti neuroniniai tinklai (SANN) perima šį darbą ir automatiškai atlieka euristinę paiešką. Šioje procedūroje atsižvelgiama į įvesties matmenis, tinklo tipą, tinklo matmenis, aktyvinimo funkcijas ir net reikalingas išvesties klaidų funkcijas.

Tai itin efektyvus įrankis naudojant sudėtingas technologijas, leidžiantis automatiškai rasti geriausią tinklo architektūrą. Užuot praleidę valandas sėdėdami prie kompiuterio, leiskite sistemai STATISTICA automatizuoti neuroniniai tinklai (SANN) atlikti šį darbą už jus.

Jūsų eksperimentų sėkmė ieškant geriausio tinklo tipo ir architektūros labai priklauso nuo tinklo mokymosi algoritmų kokybės ir greičio. Sistemoje STATISTICA automatizuoti neuroniniai tinklai (SANN)Įdiegti iki šiol geriausi mokymo algoritmai.

Sistemoje STATISTICA automatizuoti neuroniniai tinklai (SANN)įdiegti du greiti antros eilės algoritmai – konjuguoto gradiento metodai ir BFGS algoritmas. Pastarasis yra itin galingas modernus netiesinio optimizavimo algoritmas, kurį ekspertai labai rekomenduoja naudoti. Taip pat yra supaprastinta BFGS algoritmo versija, kuriai reikia mažiau atminties, kurią sistema naudoja, kai kompiuterio RAM galimybės yra gana ribotos. Šie algoritmai paprastai susilieja greičiau ir pateikia tikslesnį sprendimą nei pirmos eilės tikslūs algoritmai, tokie kaip gradiento nusileidimas.

Iteratyvus tinklo mokymo sistemoje procesas STATISTICA automatizuoti neuroniniai tinklai (SANN) lydi automatinis esamos treniruotės klaidos ir nepriklausomai nuo jos apskaičiuotos paklaidos ekranas testavimo rinkinyje, taip pat rodomas visos klaidos grafikas. Galite bet kada nutraukti treniruotę tiesiog paspausdami mygtuką. Be to, galima nustatyti sustojimo sąlygas, kurioms esant treniruotė bus pertraukiama; tokia sąlyga gali būti, pavyzdžiui, tam tikro klaidos lygio pasiekimas arba stabilus bandymo klaidos padidėjimas per tam tikrą praėjimų skaičių - „epochas“ (tai rodo vadinamąjį tinklo perkvalifikavimą). Jei įvyksta per daug, vartotojas neturėtų rūpintis: STATISTICA automatizuoti neuroniniai tinklai (SANN) automatiškai įsimena geriausio tinklo pavyzdį, gautą mokymo proceso metu, ir šią tinklo parinktį visada galima pasiekti spustelėjus atitinkamą mygtuką. Baigę tinklo mokymą, galite patikrinti jo darbo kokybę atskirame bandymų rinkinyje.

Išmokę tinklą, turite patikrinti jo darbo kokybę ir nustatyti jo charakteristikas. Šiam tikslui pakuotėje STATISTICA automatizuoti neuroniniai tinklai (SANN) Ekrane yra statistikos ir grafinių įrankių rinkinys.

Jei nurodomi keli modeliai (tinklai ir ansambliai), tada (jei įmanoma) STATISTICA automatizuoti neuroniniai tinklai (SANN) bus rodomi lyginamieji rezultatai (pavyzdžiui, viename grafike nubraižyti kelių modelių atsako kreives arba vienoje lentelėje pateikti kelių modelių prognozės). Ši savybė labai naudinga lyginant skirtingus modelius, parengtus naudojant tą patį duomenų rinkinį.

Visa statistika apskaičiuojama atskirai mokymo, patvirtinimo ir testų rinkiniams arba bet kokiam jų deriniui, vartotojo nuožiūra.

Automatiškai apskaičiuojama tokia suvestinė statistika: tinklo šakninė kvadratinė paklaida, vadinamoji painiavos matrica klasifikavimo problemoms (kur sumuojami visi teisingo ir neteisingo klasifikavimo atvejai) ir regresijos uždavinių koreliacijos. Kohonen tinkle yra topologinio žemėlapio langas, kuriame galite vizualiai stebėti tinklo elementų aktyvavimą.

Paruošti sprendimai (pritaikytos programos, naudojant STATISTICA automatizuoti neuroniniai tinklai)

Paprasta ir patogi sistemos sąsaja STATISTICA automatizuoti neuroniniai tinklai (SANN) leidžia greitai sukurti neuroninio tinklo programas jūsų problemoms išspręsti.

Gali būti situacija, kai reikia šiuos sprendimus integruoti į esamą sistemą, pavyzdžiui, padaryti juos platesnės skaičiavimo aplinkos dalimi (tai gali būti procedūros, sukurtos atskirai ir integruotos į įmonės skaičiavimo sistemą).

Išmokyti neuroniniai tinklai gali būti taikomi naujiems duomenų rinkiniams (numatymui) keliais būdais: Galite išsaugoti apmokytus tinklus ir pritaikyti juos naujam duomenų rinkiniui (numatymui, klasifikavimui ar prognozavimui); Galite naudoti kodų generatorių, kad automatiškai sugeneruotumėte programos kodą C (C++, C#) arba Visual Basic, o tada naudotumėte jį naujiems duomenims prognozuoti bet kurioje Visual Basic arba C++ (C#) programavimo aplinkoje, t. taikymas. Apibendrinant, visos sistemos funkcijos STATISTIKA, įskaitant STATISTICA automatizuoti neuroniniai tinklai (SANN), gali būti naudojami kaip COM objektai (Component Object Model) kitose programose (pvz., Java, MS Excel, C#, VB.NET ir kt.). Pavyzdžiui, galite įdiegti automatizuotą analizę, sukurtą naudojant STATISTICA automatizuoti neuroniniai tinklai (SANN)į MS Excel lenteles.

Mokymosi algoritmų sąrašas

    Gradiento nusileidimas

    Konjuguoti gradientai

    Kohoneno mokymas

    K-Means metodas radialinio pagrindo funkcijų tinklui

Tinklo dydžio apribojimai

Neuroninis tinklas gali būti beveik bet kokio dydžio (tai yra, jo matmenys gali būti daug kartų didesni, nei yra iš tikrųjų būtina ir pagrįsta); daugiasluoksnių perceptronų tinklui leidžiamas vienas paslėptas neuronų sluoksnis. Tiesą sakant, bet kokiai praktinei užduočiai programą riboja tik kompiuterio aparatinės įrangos galimybės.

el. vadovas

Kaip sistemos dalis STATISTICA automatizuoti neuroniniai tinklai (SANN) yra gerai iliustruotas vadovėlis, kuriame išsamiai ir aiškiai supažindinama su neuroniniais tinklais bei pateikiami pavyzdžiai. Išsamios, kontekstui jautrios pagalbos sistemą galima rasti bet kuriame dialogo lange.

Šaltinio kodo generatorius

Šaltinio kodo generatorius yra papildomas produktas, leidžiantis vartotojams lengvai kurti savo programas pagal sistemą STATISTICA automatizuoti neuroniniai tinklai (SANN). Šis papildomas produktas sukuria neuroninio tinklo modelio šaltinio sistemos kodą (kaip C, C++, C# arba Java failą), kurį galima atskirai sukompiliuoti ir integruoti į jūsų programą, kad būtų galima nemokamai platinti. Šis produktas sukurtas specialiai įmonių sistemų kūrėjams, taip pat tiems vartotojams, kuriems reikia transformuoti itin optimizuotas procedūras, sukurtas STATISTICA automatizuoti neuroniniai tinklai (SANN), į išorines programas sudėtingoms analitinėms problemoms spręsti. (Pažymėtina, kad norėdami gauti leidimą, vartotojai turi informuoti sitessia darbuotojus apie programų platinimą naudodami sugeneruotą kodą).

STATISTIKoje nuolatinio prognozavimo problema vaizduojama kaip regresijos problema. Šios problemos kontekste neuroninis tinklas laikomas netiesine funkcija, kurios sudėtingumas valdomas „pusiau parametriškai“ – elementų skaičius tinkle turi įtakos sprendimo sudėtingumui, bet, žinoma, analitikas. negali matyti aiškios regresijos funkcijos formos.

Reikia sukurti neuroninį tinklą, kuris apskaičiuoja švino emisiją į atmosferą, priklausomai nuo pravažiuojančių transporto priemonių skaičiaus ir tipo. Duomenys saugomi faile Lead.xls.

Atidarykite Svinets.xls failą Statistica pakete. Pasirodo langas Atidaryti failą.

Ryžiai. 4. 33. Importavimo langas.

Turite pasirinkti parinktį „Importuoti pasirinktą lapą“ ir pasirinkti duomenų lapo pavadinimą:

Ryžiai. 4. 34. Excel lapo pasirinkimas importui į Statistica paketą.

Kitame lange reikia nurodyti realius duomenų parametrus, kurie, kaip taisyklė, nustatomi ir rodomi automatiškai (išskyrus paskutinius tris žymimuosius langelius).

Ryžiai. 4. 35. Importavimo srities nustatymas.

Po to importuoti duomenys bus rodomi lange.

Ryžiai. 4. 36. Importavimo rezultatai.

Paleiskite analizės paketą naudodami neuroninius tinklus. Norėdami tai padaryti, meniu „Analizė“ pasirinkite „Neuroniniai tinklai“.

Ryžiai. 4. 37. Duomenų apdorojimo būdo pasirinkimas - "neuronų tinklas".

po kurio pasirodys STATISTICA Neural Networks paketo langas:

Ryžiai. 4. 38. Neuroninių tinklų analizės pradžios langas.

Eikite į skirtuką „Greitas“, kuriame turite nustatyti užduoties tipą – Regresija, o įrankį – „Network Designer“.

Ryžiai. 4. 39. Neuroninio tinklo dizainerio paleidimas.

Tada, spustelėję mygtuką „Gerai“, persijungsite į išvesties (priklausomų) ir įvesties (nepriklausomų) kintamųjų pasirinkimo režimą. Pirmuoju pasirenkame „Šviną“, o paskutinius – visų kategorijų automobilių skaičių. Stulpeliai „Ne“ ir „Gatvė“ lieka nenaudojami.

Ryžiai. 4. 40. Neuroninio tinklo įvesties ir išvesties duomenų parinkimas.

Spustelėję „Gerai“, grįšite į skirtuką „Greitai“. Tada dar kartą spustelėję mygtuką „Gerai“, būsite nukreipti į neuroninio tinklo formavimo langą. Skirtuke „Greitas“ turite pasirinkti tinklo tipą - daugiasluoksnį perceptroną,

Ryžiai. 4. 41. Neuroninio tinklo tipo pasirinkimas.

o skirtuke „Elementai“ galite nurodyti reikiamą sluoksnių skaičių, neuronų skaičių kiekviename, taip pat aktyvinimo funkcijos tipą:

Ryžiai. 4. 42. Sluoksnių skaičiaus ir neuronų tipų nustatymas.

Ryžiai. 4. 43. Neuroninio tinklo lavinimo metodo pasirinkimas.

Čia paspaudę mygtuką „Pavyzdžiai“ galite nustatyti treniruočių, kontrolės ir testavimo pavyzdžių skaičių. Jei bandymų ir valdymo pavyzdžių skaičių nustatysite lygų nuliui, tinklas bus apmokytas naudojant visus pavyzdžius:

Ryžiai. 4. 44. Nustatyti duomenis mokymams ir testavimui.

Grįžę į pagrindinį treniruočių langą, galite spustelėti mygtuką „Vartotojas“ ir eiti į skirtuką „Interaktyvus“ ir paprašyti, kad mokymo procesas būtų atspindimas diagramos pavidalu:

Ryžiai. 4. 45. Mokymosi procesui demonstruoti skirto grafiko tipo nurodymas.

Galiausiai, paspaudę mygtuką „Gerai“, pradėsite mokymosi procesą, kurio rezultatas bus rodomas grafike:

Ryžiai. 4. 46. Neuroninio tinklo lavinimas.

Spustelėję mygtuką „Gerai“, būsite nukreipti į rezultatų langą, kuriame galėsite ištirti įvairias sukurto tinklo charakteristikas, judėdami lango skirtukais:

Ryžiai. 4. 47. Neuroninių tinklų modeliavimo rezultatai.

Taigi, pavyzdžiui, skirtuke „Išplėstinė“ yra mygtukas „Tinklo architektūra“, kurį spustelėję galite pamatyti sukurto tinklo topologiją:

Ryžiai. 4. 48. Sukurto neuroninio tinklo vaizdas.

taip pat mygtukas „Vartotojo stebėjimai“, kuriame galite pateikti tinklui naujus pradinius duomenis ir gauti atsakymą iš jau apmokyto tinklo.

Kokie yra neurokompiuterijos ir statistikos kalbų panašumai ir skirtumai atliekant duomenų analizę? Pažiūrėkime į paprastą pavyzdį.

Tarkime, kad turime pastebėjimai ir eksperimentiškai išmatuotas N taškų poros, vaizduojančios funkcinį ryšį. Jei bandysite nubrėžti geriausią tiesią liniją per šiuos taškus, tai statistikos kalba reikš naudojimą apibūdinti nežinomą priklausomybę linijinis modelis

(kur žymi triukšmą stebėjimo metu), tada atitinkamos problemos sprendimas tiesinė regresija bus sumažintas iki apskaičiuotų parametrų verčių, kurios sumažina kvadratinio dydžio sumą likučiai.

Jei parametrai rasti, tada vertė gali būti įvertinta y už bet kokią vertę x, tai yra įgyvendinti interpoliacija Ir ekstrapoliacija duomenis.

Tą pačią problemą galima išspręsti naudojant vieno sluoksnio tinklą su vienu įėjimu ir vienu linijinis išvesties neuronas. Nuorodos svoris a ir slenkstis b galima gauti sumažinus tą pačią likutinės vertės (kuri šiuo atveju bus vadinama vidutiniu kvadratu klaida) metu mokymas tinkluose, pavyzdžiui, naudojant atgalinio dauginimo metodą. Neuroninio tinklo savybė apibendrinimas tada bus naudojamas nuspėti išvesties vertę pagal įvesties vertę.

25 pav. Tiesinė regresija ir ją įgyvendinantis vieno sluoksnio perceptronas.

Palyginus šiuos du metodus, iš karto krenta į akis tai, kad aprašant jų metodus, statistika kreipiasi į formules Ir lygtys, ir neurokompiuterių grafinis neuronų architektūrų aprašymas.

1 Jei prisiminsime, kad kairysis pusrutulis veikia su formulėmis ir lygtimis, o dešinysis pusrutulis su grafiniais vaizdais, galime suprasti, kad palyginus su statistika, dešinysis pusrutulis“ neuroninio tinklo metodas.

Kitas reikšmingas skirtumas yra tas, kad statistiniams metodams nesvarbu, kaip neatitikimas sumažinamas iki minimumo – bet kuriuo atveju modelis išlieka nepakitęs, o neurokompiuteriams pagrindinis vaidmuo tenka mokymo metodas. Kitaip tariant, skirtingai nuo neuroninio tinklo metodo, statistinių metodų modelio parametrų įvertinimas nepriklauso nuo minimizavimo metodo. Tuo pačiu metu statistikai apsvarstys likučio tipo pokyčius, tarkime, iki

Kaip esminis modelio pakeitimas.

Skirtingai nuo neuroninio tinklo metodo, kurio metu didžioji dalis laiko praleidžiama tinklų mokymui, taikant statistinį metodą, šis laikas skiriamas nuodugniai problemos analizei. Tai naudoja statistikų žinias, kad parenkamas modelis, pagrįstas konkrečiai sričiai būdingų duomenų ir informacijos analize. Neuroninių tinklų – šių universalių aproksimatorių – naudojimas dažniausiai atliekamas nenaudojant a priori žinių, nors kai kuriais atvejais tai labai naudinga. Pavyzdžiui, nagrinėjamam tiesiniam modeliui naudojant vidutinę kvadratinę paklaidą gaunamas optimalus jo parametrų įvertinimas, kai triukšmo reikšmės normalusis pasiskirstymas su vienoda dispersija visoms mokymo poroms. Tuo pačiu metu, jei žinoma, kad šie skirtumai skiriasi, tada naudojant svertinis klaidų funkcijos

gali suteikti žymiai geresnes parametrų reikšmes.

Be paprasčiausio nagrinėjamo modelio, galime pateikti kitų tam tikra prasme lygiaverčių statistikos ir neuroninių tinklų paradigmų modelių pavyzdžių.

3 lentelė. Panašūs metodai

„Hopfield“ tinklas turi akivaizdų ryšį su duomenų grupavimu ir faktorių analize.

1 Faktorinė analizė naudojamas studijoms struktūros duomenis. Jo pagrindinė prielaida yra tokių ženklų egzistavimo prielaida - faktoriai, kurių negalima stebėti tiesiogiai, bet galima įvertinti pagal keletą stebimų pirminių charakteristikų. Pavyzdžiui, tokie ženklai kaip gamybos apimtis Ir ilgalaikio turto savikaina, gali nustatyti tokį veiksnį kaip gamybos mastu. Skirtingai nuo neuroninių tinklų, kuriems reikalingas mokymas, faktorių analizė gali veikti tik su tam tikru stebėjimų skaičiumi. Nors iš esmės tokių stebėjimų skaičius turėtų būti tik vienu daugiau nei kintamųjų skaičius, rekomenduojama naudoti bent tris kartus didesnį reikšmių skaičių. Tai vis dar laikoma mažesniu nei neuroninio tinklo mokymo imties dydis. Todėl statistikai atkreipia dėmesį į faktorinės analizės pranašumą, nes naudojama mažiau duomenų, todėl modeliai generuojami greičiau. Be to, tai reiškia, kad faktorinės analizės metodams įgyvendinti reikia mažiau galingų skaičiavimo priemonių. Dar vienas faktorinės analizės privalumas – tai baltos dėžės metodas, t.y. visiškai atviras ir suprantamas – vartotojas gali lengvai suprasti, kodėl modelis duoda tam tikrą rezultatą. Ryšį tarp faktorinės analizės ir Hopfieldo modelio galima pamatyti prisiminus minimalius bazinius vektorius stebėjimų rinkiniui (atminties vaizdai – žr. 5 skyrių). Būtent šie vektoriai yra faktorių, jungiančių įvairius atminties vektorių komponentus – pirmines charakteristikas, analogai.

1 Logistinė regresija yra dvejetainis klasifikavimo metodas, plačiai naudojamas priimant finansinius sprendimus. Tai leidžia įvertinti kokio nors įvykio realizavimo (arba nerealizacijos) tikimybę, priklausomai nuo kai kurių nepriklausomų kintamųjų reikšmių - prognozių: x 1,...,x N. Logistinės regresijos modelyje ši tikimybė turi analitinę formą: Pr( X) =(1+exp(-z)) -1, kur z = a 0 + a 1 x 1 +...+ a N x N . Jo neuroninio tinklo analogas akivaizdžiai yra vieno sluoksnio perceptronas su netiesiniu išėjimo neuronu. Finansinėse programose dėl daugelio priežasčių pirmenybė teikiama logistinei regresijai, o ne kelių kintamųjų linijinei regresijai ir diskriminančiai. Visų pirma, jis automatiškai užtikrina, kad tikimybė priklauso intervalui, ir nustato mažiau prognozuojamųjų verčių pasiskirstymo apribojimų. Pastarasis yra labai svarbus, nes finansinių rodiklių, turinčių koeficientų formą, verčių pasiskirstymas paprastai nėra normalus ir yra „labai iškreiptas“. Neuroninių tinklų pranašumas yra tas, kad tokia situacija jiems nekelia problemų. Be to, neuroniniai tinklai yra nejautrūs prognozuojamųjų reikšmių koreliacijai, o regresijos modelio parametrų įvertinimo metodai šiuo atveju dažnai pateikia netikslias reikšmes.

Anotacija: Neuroniniai tinklai ir statistika. Neuroniniai tinklai ir neaiškioji logika. Neuroniniai tinklai ir ekspertinės sistemos. Neuroniniai tinklai ir statistinė fizika.

Gyvūnai skirstomi į:

  1. priklausantis imperatoriui,
  2. balzamuotas,
  3. prijaukintas,
  4. čiulptukai,
  5. sirenos,
  6. nuostabus,
  7. atskiri šunys,
  8. įtraukta į šią klasifikaciją,
  9. lakstyti kaip išprotėjęs
  10. nesuskaičiuojama daugybė,
  11. nudažytas geriausiu kupranugarių plaukų šepečiu,
  12. kiti,
  13. sudaužė gėlių vazą,
  14. iš tolo primenančios muses.

H. L. Borgesas „Analitinė Johno Wilkinso kalba“

Neurokompiuterija turi daug sąlyčio taškų su kitomis disciplinomis ir jų metodais. Visų pirma, neuroninių tinklų teorija naudoja statistinės mechanikos ir optimizavimo teorijos aparatą. Neurokompiuterijos taikymo sritys kartais stipriai sutampa arba beveik sutampa su matematinės statistikos, neaiškių aibių teorijos ir ekspertinių sistemų taikymo sritimis. Neurokompiuterijos ryšiai ir paralelės yra itin įvairios ir rodo jos universalumą. Šioje paskaitoje, kurią galima vertinti kaip papildomą, kadangi jai reikia šiek tiek daugiau matematinio pasiruošimo, kalbėsime tik apie svarbiausius iš jų.

Neuroniniai tinklai ir statistika

Kadangi dabar neuroniniai tinklai sėkmingai naudojami duomenų analizei, tikslinga juos palyginti su senesniais, gerai išvystytais statistikos metodais. Statistikos literatūroje kartais galite susidurti su teiginiu, kad dažniausiai naudojami neuroninio tinklo metodai yra ne kas kita, kaip neveiksmingi regresijos ir diskriminaciniai modeliai. Mes jau pažymėjome prieš tai daugiasluoksniai neuroniniai tinklai iš tikrųjų gali išspręsti tokias problemas kaip regresija ir klasifikavimas. Tačiau, pirma, duomenų apdorojimas neuroniniais tinklais yra daug įvairesnis – atsiminkite, pavyzdžiui, aktyvų klasifikavimą pagal Hopfield tinklus arba Kohonen funkcijų žemėlapius, kurie neturi statistinių analogų. Antra, daugelis neuroninių tinklų naudojimo finansų ir verslo srityse tyrimų atskleidė jų pranašumus prieš anksčiau sukurtus statistinius metodus. Atidžiau pažvelkime į neuroninių tinklų ir matematinės statistikos metodų palyginimo rezultatus.

Ar neuroniniai tinklai yra aprašymo kalba?

Kaip minėta, kai kurie statistikai teigia, kad neuroninių tinklų metodai duomenų apdorojimui yra tiesiog iš naujo atrasti ir performuluoti, tačiau gerai žinomi statistiniai analizės metodai. Kitaip tariant, neurokompiuterija tiesiog naudoja naują kalbą senoms žinioms apibūdinti. Pavyzdžiui, čia yra citata iš Warren Searle:

Daugelis neuroninių tinklų tyrinėtojų yra inžinieriai, fizikai, neurologai, psichologai ar kompiuterių mokslininkai, kurie mažai žino apie statistiką ir netiesinį optimizavimą. Neuroninių tinklų tyrinėtojai nuolat iš naujo atranda metodus, kurie matematinėje ir statistinėje literatūroje žinomi dešimtmečius ir šimtmečius, tačiau dažnai negali suprasti, kaip šie metodai veikia.

Šis požiūris iš pirmo žvilgsnio gali atrodyti pagrįstas. Neuroninių tinklų formalizmas tikrai gali pretenduoti į universalią kalbą. Neatsitiktinai jau novatoriškame McCullocho ir Pittso darbe buvo parodyta, kad neuroninio tinklo aprašymas yra lygiavertis teiginių logikos aprašymui.

Iš tikrųjų sužinojau, kad taikydamas techniką, kurią sukūriau 1961 m. straipsnyje (...), galėčiau nesunkiai atsakyti į visus klausimus, kuriuos man uždavė smegenų mokslininkai (...) arba informatikai. Tačiau, kaip fizikas, gerai žinojau, kad teorija, kuri paaiškina viską, iš tikrųjų nieko nepaaiškina: geriausiu atveju tai yra kalba. Eduardo Cayanello

Todėl nenuostabu, kad statistikai dažnai atranda, kad jiems žinomos sąvokos turi analogų neuroninių tinklų teorijoje. Warren Searle parengė nedidelį šiose dviejose srityse vartojamų terminų žodynėlį.

11.1 lentelė. Panašių terminų žodynas
Neuroniniai tinklai Statistiniai metodai.
Ženklai kintamieji
įėjimai nepriklausomi kintamieji
išeina prognozuojamos vertės
tikslines vertes priklausomi kintamieji
klaida likutinis
mokymas, adaptacija, saviorganizacija laipsnis
klaidos funkcija, Lyapunov funkcija vertinimo kriterijus
treniruočių vaizdai (poros) pastebėjimai
tinklo parametrai: svoriai, slenksčiai. Numatyti parametrai
aukšto laipsnio neuronai sąveikos
funkcinės jungtys transformacija
prižiūrimas mokymasis arba heteroasociacija regresinė ir diskriminacinė analizė
neprižiūrimas mokymasis arba automatinis susiejimas duomenų suspaudimas
konkurencingas mokymasis, adaptyvus vektorių kvantavimas klasterio analizė
apibendrinimas interpoliacija ir ekstrapoliacija
Kuo skiriasi neuroniniai tinklai ir statistika?

Kokie yra neurokompiuterijos ir statistikos kalbų panašumai ir skirtumai atliekant duomenų analizę? Pažiūrėkime į paprastą pavyzdį.

Tarkime, kad atlikome stebėjimus ir eksperimentiškai išmatavome N taškų porų, atspindinčių funkcinę priklausomybę. Jei bandysime per šiuos taškus nubrėžti geriausią tiesią liniją, o tai statistikos kalba reikš, kad nežinomai priklausomybei aprašyti naudojamas tiesinis modelis (kur žymi triukšmą stebėjimo metu), tada atitinkamos tiesinės regresijos uždavinys bus išspręstas. sumažintas iki apskaičiuotų parametrų verčių, kurios sumažina kvadratinių likučių sumą.

Jei parametrai rasti, tada galima įvertinti y reikšmę bet kuriai x reikšmei, tai yra interpoliuoti ir ekstrapoliuoti duomenis.

Tą pačią problemą galima išspręsti naudojant vieno sluoksnio tinklas su vienu įėjimu ir vienu tiesiniu išvesties neuronu. Ryšio svorį a ir slenkstį b galima gauti sumažinus tą patį likučio kiekį (kuri šiuo atveju bus vadinama vidutine kvadratine paklaida) tinklo mokymo metu, pavyzdžiui, naudojant atgalinio sklaidos metodą. Neuroninio tinklo apibendrinimo savybė bus naudojama nuspėti išvesties vertę pagal įvesties vertę.


Ryžiai. 11.1.

Lyginant šiuos du metodus, akis iš karto patraukia tai, kad aprašant jų metodus statistika remiasi formulėmis ir lygtimis, o neurokompiuterija remiasi grafiniu neuroninių architektūrų aprašymu.

Jei prisiminsime, kad kairysis pusrutulis operuoja formulėmis ir lygtimis, o dešinysis pusrutulis – grafiniais vaizdais, galime suprasti, kad lyginant su statistika, vėl išryškėja neuroninio tinklo požiūrio „dešinysis pusrutulis“.

Kitas reikšmingas skirtumas yra tas, kad statistiniams metodams nėra svarbu, kaip neatitikimas sumažinamas – bet kuriuo atveju modelis išlieka toks pat, o neurokompiuterijos atveju pagrindinį vaidmenį atlieka mokymo metodas. Kitaip tariant, skirtingai nuo neuroninio tinklo metodo, statistinių metodų modelio parametrų įvertinimas nepriklauso nuo minimizavimo metodas. Tuo pačiu metu statistikai apsvarstys likučio tipo pokyčius, tarkime, iki

Tarsi esminis modelio pakeitimas.

Skirtingai nuo neuroninio tinklo metodo, kurio metu didžioji dalis laiko praleidžiama tinklų mokymui, taikant statistinį metodą, šis laikas skiriamas nuodugniai problemos analizei. Tai naudoja statistikų žinias, kad parenkamas modelis, pagrįstas konkrečiai sričiai būdingų duomenų ir informacijos analize. Neuroninių tinklų – šių universalių aproksimatorių – naudojimas dažniausiai atliekamas nenaudojant a priori žinių, nors kai kuriais atvejais tai labai naudinga. Pavyzdžiui, nagrinėjamam tiesiniam modeliui naudojant vidutinę kvadratinę paklaidą gaunamas optimalus jo parametrų įvertinimas, kai triukšmo reikšmės normalusis pasiskirstymas su vienoda dispersija visoms mokymo poroms. Tuo pačiu metu, jei žinoma, kad šie skirtumai yra skirtingi, tada naudojant svertinės klaidos funkciją

Gali duoti žymiai geresnes parametrų reikšmes.

Be paprasčiausio nagrinėjamo modelio, galime pateikti kitų tam tikra prasme lygiaverčių statistikos ir neuroninių tinklų paradigmų modelių pavyzdžių.

„Hopfield“ tinklas turi akivaizdų ryšį su duomenų grupavimu ir faktorių analize.

Faktorinė analizė naudojamas duomenų struktūrai tirti. Pagrindinė jo prielaida yra prielaida, kad egzistuoja tokie ženklai – veiksniai, kurių negalima stebėti tiesiogiai, bet galima įvertinti keliais stebimais pirminiais požymiais. Pavyzdžiui, tokios charakteristikos kaip gamybos apimtis ir ilgalaikio turto savikaina gali nulemti tokį veiksnį kaip gamybos mastai. Skirtingai nuo neuroninių tinklų, kuriems reikalingas mokymas, faktorių analizė gali veikti tik su tam tikru stebėjimų skaičiumi. Nors iš esmės tokių stebėjimų skaičius turėtų būti tik vienu daugiau nei kintamųjų skaičius, rekomenduojama naudoti bent tris kartus didesnį reikšmių skaičių. Tai vis dar laikoma mažesniu už neuroninio tinklo mokymo imties dydį. Todėl statistikai atkreipia dėmesį į faktorinės analizės pranašumą, nes naudojama mažiau duomenų, todėl modeliai generuojami greičiau. Be to, tai reiškia, kad faktorinės analizės metodams įgyvendinti reikia mažiau galingų skaičiavimo priemonių. Dar vienas faktorinės analizės privalumas – tai baltos dėžės metodas, t.y. visiškai atviras ir suprantamas – vartotojas gali lengvai suprasti, kodėl modelis duoda tam tikrą rezultatą. Ryšys tarp faktorinės analizės ir Hopfieldo modelio matomas prisiminus vektorius minimalus pagrindas stebėjimų rinkinio (atminties vaizdai – žr. 5 paskaitą). Būtent šie vektoriai yra faktorių, jungiančių įvairius atminties vektorių komponentus – pirmines charakteristikas, analogai.

Per tam tikrą pacientų stebėjimo istoriją buvo sukaupta daugybė duomenų, kurie yra saugomi STATISTICA sistemos lentelėje. Atitinkama duomenų lentelė parodyta 6 paveiksle.

6 pav. Pirminių duomenų lentelės fragmentas

Tyrimo tikslas – sukurti neuroninio tinklo modelį, kuris, remiantis tam tikru pradinių duomenų rinkiniu (paciento apžiūros duomenimis, tyrimų rezultatais, gydymu prieš atvykstant), remiantis ligoninėje paskirtu gydymu, sudarytų jo prognozę. gydymas (patekimo į ligoninę I-APFARA, BAB, BKK, diuretikai, centrinio veikimo vaistai) vertės pakankamai tiksliai.

Tai, kad problema yra netiesinė, nekelia abejonių. Žinoma, būtų galima pabandyti išspręsti problemą naudojant STATISTICA Netiesinio įvertinimo modulį, būtent naudojant šio modulio siūlomas iteratyvias procedūras funkcijos tipui „apčiuopti“. Tačiau čia yra nemažai bėdų, kurios gerokai prailgina sprendimo paieškos procedūrą. Svarbiausias iš jų – hipotezės apie aiškią tiriamos priklausomybės formą suformulavimas, o tai visai nėra akivaizdi.

Be papildomų tyrimų sunku ką nors pasakyti apie akivaizdžią priklausomybės rūšį. Be to, reikia paminėti, kad neatsižvelgėme į dar vieną veiksnį. Apskritai tokios problemos sprendimas naudojant netiesinio vertinimo metodus gali užtrukti labai ilgai arba nieko neduoti. Tokiose kritinėse situacijose, kai žinoma, kad

Tarp kintamųjų yra ryšys;

Ryšys tikrai netiesinis;

Sunku ką nors pasakyti apie akivaizdžią priklausomybės formą,

Neuroninių tinklų algoritmai padeda. Panagrinėkime, kaip išspręsti šią problemą modulyje STATISTICA neuroniniai tinklai.

Deja, nėra universalių taisyklių, nurodančių, kokios neuroninio tinklo topologijos reikėtų vadovautis sprendžiant konkrečią problemą. Todėl norint rasti tinkamą tinklą, būtina pagrįsta procedūra.

STATISTICA sistemos Neuroninių tinklų modulyje yra procedūra, kuri organizuoja norimos tinklo konfigūracijos paiešką. Šią procedūrą sudaro daugybė skirtingų architektūrų tinklų sukūrimas ir išbandymas, o tada iš jų pasirenkamas tinklas, kuris geriausiai tinka konkrečiai problemai išspręsti. Šis įrankis vadinamas „Intelligent Problem Solver“. Norėdami paleisti Neuroninių tinklų modulį, turite naudoti to paties pavadinimo komandą pagrindiniame sistemos STATISTICA - Statistics meniu meniu. (7 pav.)

7 pav. Neuroninių tinklų modulio paleidimas

Labai paplitusi yra tokia tezė: „neuroniniai tinklai yra universali struktūra, leidžianti įgyvendinti bet kokį algoritmą“. Pabandykime, aklai tikėdami šiuo teiginiu, sukurti neuroninį tinklą, kuris iš karto „pagautų“ siūlomą priklausomybę (vadinasi, be išankstinės tiriamosios analizės).

Vienas iš svarbiausių šiuolaikinio mokslo dar neišspręstų klausimų yra neuroninio tinklo, kuris būtų pajėgus atkurti norimą daugiamatę netiesinę priklausomybę, struktūros klausimas. Iš tiesų Kolmogorovo teorema apie užbaigtumą, kurią jis įrodė dar 1957 m., teigia, kad neuroninis tinklas gali atkurti bet kokią (labai svarbią - nuolatinę) funkciją. Tačiau tyrėjui nepasiūlo recepto, kaip sukurti tokį tinklą. 1988 m. nemažai autorių apibendrino Kolmogorovo teoremą ir parodė, kad bet kurią ištisinę funkciją bet kokiu tikslumu galima aproksimuoti trijų sluoksnių neuroniniu tinklu su vienu paslėptu sluoksniu ir atgalinio sklidimo algoritmu. Taigi mūsų atveju teigiamas aspektas yra žinojimas, kad tinklas turi būti trijų sluoksnių, tačiau vėlgi nėra taisyklių, nustatančių ryšį tarp „bet kokio tikslumo laipsnio“ ir neuronų skaičiaus tarpiniame, taigi. vadinamas paslėptu sluoksniu.

Apibendrinant visa tai, kas išdėstyta pirmiau, pažymime, kad nėra universalių taisyklių, nurodančių, kurios neuroninio tinklo topologijos reikia laikytis sprendžiant konkrečią problemą. Todėl norint rasti tinkamą tinklą, būtina pagrįsta procedūra.

STATISTICA sistemos Neuroninių tinklų modulyje yra unikali procedūra, organizuojanti norimos tinklo konfigūracijos paiešką. Šis įrankis vadinamas „Intelligent Problem Solver“. Pasinaudokime šiuo įrankiu ir ieškokime neuroninio tinklo, kuris galėtų išspręsti mūsų problemą.

8 pav. Neuroninių tinklų modulio paleidimo blokas

Šio dialogo lango skirtuke Greitas, skyriuje Problemos tipas, siūloma pasirinkti problemų, su kuriomis susiduriame, klasę. Mūsų tikslas yra sukurti daugiamatį ryšį arba, kitaip tariant, daugiamatę netiesinę regresiją. Tai reiškia, kad skyriuje Problemos tipas turėtumėte nurodyti Regresiją.

Nusprendus dėl užduočių klasės, būtina nurodyti kintamuosius analizei atlikti. Norėdami pasirinkti kintamuosius, naudokite mygtuką Kintamieji. Spustelėjus šį mygtuką, pasirodo dialogo langas Pasirinkti įvestį (nepriklausomą), išvestį (priklausomą) ir parinkiklio kintamuosius. Šiame dialogo lange turite nurodyti du kintamųjų sąrašus. Nuolatiniai išėjimai, mūsų atveju, yra kintamieji Priėmimas į ligoninę ACEI/ARB, Priėmimas į ligoninę BAB, Priėmimas į ligoninę BKK, Priėmimas į diuretikų ligoninę ir priėmimas į centrinio veikimo vaistų ligoninę. Mūsų pavyzdyje nuolatiniai įėjimai yra nuo 1 iki 61 pradinio parametro.

9 pav. Kintamųjų pasirinkimas analizei

Skyriuje Pasirinkti analizę yra dvi parinktys: „Intelligent Problem Solver“ ir „Custom Network Designer“. Norint automatiškai pasirinkti neuroninio tinklo parametrus, reikalinga pirmoji parinktis, kuri nustatyta pagal numatytuosius nustatymus. Norėdami tęsti analizę, spustelėkite Gerai.

Kitame veiksme pasirodo dialogo langas „Intelligent Problem Solver“ sąranka.

Skiltyje Greita yra parinkčių grupė, kuri yra atsakinga už neuroninio tinklo paieškos algoritmo vykdymo laiką. Šiame skirtuke turite nurodyti tinklų, kuriuos reikia išbandyti, skaičių (siekdami išsiaiškinti, ar jie tinka suformuluotai problemai išspręsti), taip pat nurodyti, kiek šių tinklų bus įtraukta į galutinę ataskaitą.

Skiltyje „Tinklai išbandyti“ nurodome 100, išlikę tinklai – 10 (10 pav.)

Skirtuke Tipai nurodoma, kokių tipų neuroniniai tinklai bus naudojami testavimo procese. Netiesinės regresijos problemai spręsti labiausiai tinka daugiasluoksnis perceptronas, todėl pasirenkame 11 paveiksle pažymėtus tinklus.

10 pav. Bandomų tinklų skaičiaus nustatymas

11 pav. Tinklo architektūros pasirinkimas

Toliau, norint organizuoti paieškos ir testavimo procesą, būtina nurodyti neuronų skaičiaus pokyčių diapazoną kiekviename neuroninio tinklo sluoksnyje. Rekomenduojamos šios užduoties vertės parodytos 12 pav.

12 pav. Mokomųjų, kontrolinių ir bandomųjų imčių dydžių nurodymas

Dabar, nustatę visus mokymo parametrus, norėdami pradėti tinklo paieškos procedūrą, turite spustelėti Gerai.

Paieškos algoritmo būsena rodoma dialogo lange IPS Training In Progress.

Kol veikia tinkamo neuroninio tinklo paieškos algoritmas, šiame dialogo lange pateikiama informacija apie algoritmo vykdymo laiką, taip pat apie nagrinėjamus neuroninius tinklus. Paieškos algoritmo tikslas – surašyti daugybę neuroninio tinklo konfigūracijų ir pasirinkti geriausią pagal mažiausią paklaidą tinklo išvestyje ir maksimalų jo našumą.

Ar jums patiko straipsnis? Pasidalink
Spausdinti šį straipsnį
Į viršų