Alternatīvas, lai aizstātu STATISTICA. Neironu tīkli

STATISTICA Automated Neural Networks ir vienīgais neironu tīklu programmatūras produkts pasaulē, kas ir pilnībā tulkots krievu valodā!

Neironu tīklu metodoloģijas kļūst arvien izplatītākas dažādās jomās, sākot no fundamentālajiem pētījumiem līdz praktiskiem datu analīzes pielietojumiem, uzņēmējdarbībā, rūpniecībā utt.

ir viens no vismodernākajiem un efektīvākajiem neironu tīklu produktiem tirgū. Tas piedāvā daudzas unikālas priekšrocības un bagātīgas funkcijas. Piemēram, automātiskā neironu tīkla meklēšanas rīka unikālās iespējas, , ļauj sistēmu izmantot ne tikai neironu tīklu ekspertiem, bet arī iesācējiem neironu tīklu skaitļošanas jomā.

Kādas ir lietošanas priekšrocības ?

Iepriekšēja un pēcapstrāde, tostarp datu atlase, nominālā kodēšana, mērogošana, normalizācija, trūkstošo datu noņemšana ar interpretāciju klasifikācijai, regresijas un laikrindu problēmas;

Izcila lietošanas vienkāršība un nepārspējama analītiskā jauda; piemēram, unikāls automātisks neironu tīklu meklēšanas rīks Automatizētais neironu tīkls (ANN) vadīs lietotāju cauri visiem dažādu neironu tīklu izveides posmiem un izvēlēsies labāko (pretējā gadījumā šis uzdevums tiek atrisināts ar ilgstošu “mēģināšanas un kļūdu” procesu un prasa nopietnas teorijas zināšanas);

Mūsdienīgākie, optimizētākie un jaudīgākie tīkla apmācības algoritmi (ieskaitot konjugētā gradienta metodes, Levenberga-Marquardt algoritmu, BFGS, Kohonena algoritmu); pilnīga kontrole pār visiem parametriem, kas ietekmē tīkla kvalitāti, piemēram, aktivizēšanas un kļūdu funkcijas, tīkla sarežģītību;

Atbalsts gandrīz neierobežota izmēra neironu tīklu un neironu tīklu arhitektūru ansambļiem;

Bagātīgas grafiskās un statistikas iespējas, kas atvieglo interaktīvu izpētes analīzi;

Pilnīga integrācija ar sistēmu STATISTIKA; visus rezultātus, grafikus, atskaites utt. var tālāk modificēt, izmantojot jaudīgus grafiskos un analītiskos rīkus STATISTIKA(piemēram, lai analizētu paredzamos atlikumus, izveidotu detalizētu pārskatu utt.);

Nemanāma integrācija ar jaudīgiem automatizētiem rīkiem STATISTIKA; pilnvērtīgu makro ierakstīšana jebkurai analīzei; izveidot savu neironu tīklu analīzi un lietojumprogrammas, izmantojot STATISTIKA Visual Basic izaicinājums STATISTICA automatizētie neironu tīkli no jebkuras lietojumprogrammas, kas atbalsta COM tehnoloģiju (piemēram, automātiska neironu tīkla analīze MS Excel izklājlapā vai vairāku pielāgotu lietojumprogrammu apvienošana, kas rakstītas C, C++, C#, Java utt.).

Populārāko tīkla arhitektūru izlase, tostarp daudzslāņu perceptroni, radiālās bāzes funkcijas un pašorganizējošās funkciju kartes.
Pieejams rīks Automātiskā tīkla meklēšana, kas ļauj automātiski veidot dažādas neironu tīklu arhitektūras un regulēt to sarežģītību.
Labāko neironu tīklu saglabāšana.

Atbalstiet dažāda veida statistisko analīzi un paredzamo modeļu konstruēšanu, tostarp regresiju, klasifikāciju, laikrindas ar nepārtrauktu un kategoriski atkarīgu mainīgo, klasteru analīzi dimensiju samazināšanai un vizualizācijai.

Atbalsta vairāku modeļu ielādi un analīzi.

Pēc izvēles iespēja ģenerēt avota kodu valodās C, C++, C#, Java, PMML (Predictive Model Markup Language), ko var viegli integrēt ārējā vidē, lai izveidotu savas lietojumprogrammas.

Kodu ģenerators

Kodu ģenerators STATISTICA automatizētie neironu tīkli var ģenerēt avota sistēmas programmas kodu neironu tīklu modeļiem C, Java un PMML (Predictive Model Markup Language) valodā. Kodu ģenerators ir papildu lietojumprogramma sistēmai STATISTICA automatizētie neironu tīkli, kas ļauj lietotājiem, pamatojoties uz neironu tīkla analīzi, ģenerēt C vai Java failu ar modeļu avota kodu un integrēt to neatkarīgās ārējās lietojumprogrammās.

Nepieciešams koda ģenerators STATISTICA automatizētie neironu tīkli.

Ģenerē neironu tīkla avota koda versiju (kā failu C, C++, C# vai Java valodā).

Pēc tam C vai Java koda failu var iegult ārējās programmās.

STATISTIKAAutomatizēta Neironu tīkli neironu tīklu skaitļošanā

Neironu tīklu izmantošana ietver daudz vairāk nekā tikai datu apstrādi, izmantojot neironu tīkla metodes.

STATISTICA automatizētie neironu tīkli (SANN) nodrošina dažādas funkcionalitātes, lai strādātu ar ļoti sarežģītiem uzdevumiem, tostarp ne tikai jaunākajiem Neironu tīklu arhitektūras Un Mācību algoritmi, bet arī jaunas pieejas neironu tīklu arhitektūru konstruēšanā ar iespēju uzskaitīt dažādas aktivizācijas un kļūdu funkcijas, kas atvieglo rezultātu interpretāciju. Turklāt programmatūras izstrādātāji un lietotāji, kas eksperimentē ar lietojumprogrammu iestatījumiem, novērtēs to, ka pēc noteiktu eksperimentu veikšanas vienkāršā un intuitīvā saskarnē STATISTICA automatizētie neironu tīkli (SANN),neironu tīklu analīzes var apvienot pielāgotā lietojumprogrammā. To var panākt, izmantojot COM funkciju bibliotēku STATISTIKA, kas pilnībā atspoguļo visas programmas funkcionalitātes, vai izmantojot C/C++ kodu, ko ģenerē programma un palīdz palaist pilnībā apmācītu neironu tīklu.

Modulis STATISTICA automatizētie neironu tīkli pilnībā integrēta sistēmā STATISTIKA Tādējādi ir pieejams milzīgs rīku klāsts datu rediģēšanai (sagatavošanai) analīzei (transformācijas, novērojumu atlases nosacījumi, datu pārbaudes rīki utt.).

Tāpat kā visi testi STATISTIKA, programmu var "pievienot" attālai datu bāzei, izmantojot in-place apstrādes rīkus, vai saistīt ar tiešajiem datiem, lai modeļi tiktu apmācīti vai palaistu (piemēram, lai aprēķinātu prognozētās vērtības vai klasifikāciju) automātiski katru reizi, kad dati mainās. .

Datu mērogošana un nominālvērtības konvertēšana

Pirms datu ievadīšanas tīklā tie ir jāsagatavo noteiktā veidā. Tikpat svarīgi ir, lai izejas datus varētu pareizi interpretēt. IN STATISTICA automatizētie neironu tīkli (SANN) iespējams automātiski mērogot ievades un izvades datus; Mainīgos ar nominālvērtībām var arī automātiski pārkodēt (piemēram, Dzimums = (Vīrietis, Sieviete)), tostarp izmantojot kodēšanas metodi 1-of-N. STATISTICA automatizētie neironu tīkli (SANN) satur arī rīkus darbam ar trūkstošajiem datiem. Ir datu sagatavošanas un interpretācijas rīki, kas īpaši izstrādāti laikrindu analīzei. Ir ieviests arī plašs līdzīgu rīku klāsts STATISTIKA.

Klasifikācijas uzdevumos ir iespējams iestatīt ticamības intervālus, kas STATISTICA automatizētie neironu tīkli (SANN) pēc tam tiek izmantots, lai piešķirtu novērojumus vienai vai otrai klasei. Kombinācijā ar īpašu ieviestu in STATISTICA automatizētie neironu tīkli (SANN) Softmax aktivizācijas funkcija un krustentropijas kļūdu funkcijas nodrošina fundamentālu varbūtības teorētisko pieeju klasifikācijas problēmām.

Neironu tīklu modeļa izvēle, neironu tīklu ansambļi

Neironu tīklu modeļu daudzveidība un daudzie parametri, kas jāiestata (tīkla izmēri, mācīšanās algoritma parametri utt.), dažus lietotājus var mulsināt. Bet tāpēc ir automātisks neironu tīkla meklēšanas rīks, , kas var automātiski meklēt piemērotu jebkuras sarežģītības tīkla arhitektūru, skatiet tālāk. Sistēmā STATISTICA automatizētie neironu tīkli (SANN) Ir ieviesti visi galvenie neironu tīklu veidi, kas tiek izmantoti praktisko problēmu risināšanā, tai skaitā:

daudzslāņu perceptroni (tīkli ar tiešu signāla pārraidi);

tīkli, kuru pamatā ir radiālās bāzes funkcijas;

pašorganizējošās Kohonen kartes.

Iepriekš minētās arhitektūras tiek izmantotas regresijas, klasifikācijas, laikrindu (ar nepārtrauktu vai kategoriski atkarīgu mainīgo) un klasterizācijas problēmām.

Turklāt sistēmā STATISTICA automatizētie neironu tīkli (SANN)īstenota Tīkla ansambļi, kas izveidots no nejaušām (bet nozīmīgām) iepriekšminēto tīklu kombinācijām. Šī pieeja ir īpaši noderīga trokšņainiem un zemas dimensijas datiem.

Iepakojumā STATISTICA automatizētie neironu tīkli (SANN) Ir pieejami daudzi rīki, kas palīdz lietotājam izvēlēties piemērotu tīkla arhitektūru. Sistēmas statistiskie un grafiskie rīki ietver histogrammas, matricas un kļūdu grafikus visai populācijai un atsevišķiem novērojumiem, gala datus par pareizu/nepareizu klasifikāciju un visu svarīgo statistiku, piemēram, izskaidrotā dispersijas proporcija, tiek aprēķināta automātiski.

Lai vizualizētu datus paketē STATISTICA automatizētie neironu tīkli (SANN) Izkliedes diagrammas un 3D atbildes virsmas ir ieviestas, lai palīdzētu lietotājam izprast tīkla “uzvedību”.

Protams, jūs varat izmantot jebkuru informāciju, kas iegūta no uzskaitītajiem avotiem tālākai analīzei ar citiem līdzekļiem. STATISTIKA, kā arī vēlākai iekļaušanai pārskatos vai pielāgošanai.

STATISTICA automatizētie neironu tīkli (SANN) automātiski atceras labāko tīkla opciju no tām, kuras saņēmāt, eksperimentējot ar uzdevumu, un jūs jebkurā laikā varat to izmantot. Tīkla lietderība un tā prognozēšanas spēja tiek automātiski pārbaudīta īpašā testa novērojumu komplektā, kā arī novērtējot tīkla izmēru, tā efektivitāti un nepareizas klasifikācijas izmaksas. Ieviests gadā STATISTICA automatizētie neironu tīkli (SANN) Automātiskās savstarpējās validācijas un svara regulēšanas procedūras ļauj ātri noteikt, vai jūsu tīkls ir nepietiekami vai pārāk sarežģīts konkrētam uzdevumam.

Lai uzlabotu veiktspēju iepakojumā STATISTICA automatizētie neironu tīkli Tiek piedāvātas daudzas tīkla konfigurācijas opcijas. Tādējādi jūs varat norādīt lineāro izvades tīkla slāni regresijas problēmās vai softmax aktivizācijas funkciju varbūtības novērtēšanas un klasifikācijas problēmās. Sistēma īsteno arī krustentropijas kļūdu funkcijas, kuru pamatā ir informācijas teorijas modeļi un vairākas īpašas aktivizācijas funkcijas, tostarp identiskās, eksponenciālās, hiperboliskās, loģistikas (sigmoīdās) un sinusa funkcijas gan slēptajiem, gan izejas neironiem.

Automatizēts neironu tīkls (automātiska dažādu neironu tīklu arhitektūru meklēšana un atlase)

Daļa no iepakojuma STATISTICA automatizētie neironu tīkli (SANN) ir automātisks neironu tīklu meklēšanas rīks, Automatizētais neironu tīkls (ANN) - Automatizētā tīkla meklēšana (ANS), kas novērtē daudzus dažādas arhitektūras un sarežģītības neironu tīklus un izvēlas vislabākās arhitektūras tīklus konkrētajam uzdevumam.

Veidojot neironu tīklu, ievērojams laiks tiek pavadīts atbilstošu mainīgo atlasei un tīkla arhitektūras optimizēšanai, izmantojot heiristisko meklēšanu. STATISTICA automatizētie neironu tīkli (SANN) pārņem šo darbu un automātiski veic heiristisku meklēšanu. Šī procedūra ņem vērā ievades izmēru, tīkla veidu, tīkla izmērus, aktivizācijas funkcijas un pat nepieciešamās izvades kļūdu funkcijas.

Tas ir ārkārtīgi efektīvs rīks, izmantojot sarežģītas metodes, kas ļauj automātiski atrast labāko tīkla arhitektūru. Tā vietā, lai pavadītu stundas sēžot pie datora, ļaujiet sistēmai STATISTICA automatizētie neironu tīkli (SANN) darīt šo darbu jūsu vietā.

Jūsu eksperimentu panākumi, lai atrastu labāko tīkla veidu un arhitektūru, lielā mērā ir atkarīgi no tīkla mācīšanās algoritmu kvalitātes un ātruma. Sistēmā STATISTICA automatizētie neironu tīkli (SANN) Ir ieviesti līdz šim labākie apmācības algoritmi.

Sistēmā STATISTICA automatizētie neironu tīkli (SANN) Ir ieviesti divi ātri otrās kārtas algoritmi - konjugētā gradienta metodes un BFGS algoritms. Pēdējais ir ārkārtīgi spēcīgs mūsdienu nelineārās optimizācijas algoritms, un eksperti ļoti iesaka to izmantot. Ir arī BFGS algoritma vienkāršota versija, kas prasa mazāk atmiņas, ko sistēma izmanto, kad datora RAM iespējas ir visai ierobežotas. Šie algoritmi mēdz saplūst ātrāk un rada precīzāku risinājumu nekā pirmās kārtas precizitātes algoritmi, piemēram, Gradient Descent.

Iteratīvs tīkla apmācības process sistēmā STATISTICA automatizētie neironu tīkli (SANN) pavada automātisks pašreizējās treniņu kļūdas un testēšanas komplektā neatkarīgi aprēķinātās kļūdas displejs, kā arī tiek parādīts kopējās kļūdas grafiks. Jūs varat pārtraukt treniņu jebkurā laikā, vienkārši nospiežot pogu. Papildus ir iespējams iestatīt apstāšanās nosacījumus, pie kuriem treniņš tiks pārtraukts; šāds nosacījums var būt, piemēram, noteikta kļūdas līmeņa sasniegšana vai stabils testa kļūdas pieaugums noteiktā piegājienu skaitā - “epohiem” (kas norāda uz tā saukto tīkla pārkvalifikāciju). Ja notiek pārmērīga uzstādīšana, lietotājam nevajadzētu rūpēties: STATISTICA automatizētie neironu tīkli (SANN) automātiski atceras labākā tīkla piemēru, kas iegūts apmācības procesā, un šai tīkla opcijai vienmēr var piekļūt, noklikšķinot uz atbilstošās pogas. Kad tīkla apmācība ir pabeigta, varat pārbaudīt tā darba kvalitāti atsevišķā testa komplektā.

Pēc tīkla apmācības jums jāpārbauda tā darba kvalitāte un jānosaka tā īpašības. Šim nolūkam iepakojumā STATISTICA automatizētie neironu tīkli (SANN) Ir ekrānā redzamās statistikas un grafisko rīku komplekts.

Ja ir norādīti vairāki modeļi (tīkli un ansambļi), tad (ja iespējams) STATISTICA automatizētie neironu tīkli (SANN) parādīs salīdzinošus rezultātus (piemēram, attēlos vairāku modeļu atbildes līknes vienā grafikā vai prezentēs vairāku modeļu prognozes vienā tabulā). Šis īpašums ir ļoti noderīgs, lai salīdzinātu dažādus modeļus, kas apmācīti vienā datu kopā.

Visa statistika tiek aprēķināta atsevišķi apmācības, validācijas un testa komplektiem vai jebkurā to kombinācijā pēc lietotāja ieskatiem.

Automātiski tiek aprēķināta šāda apkopotā statistika: tīkla vidējā kvadrātiskā kļūda, tā sauktā sajaukšanas matrica klasifikācijas problēmām (kur tiek summēti visi pareizās un nepareizās klasifikācijas gadījumi) un korelācijas regresijas problēmām. Kohonen tīklā ir topoloģiskās kartes logs, kurā var vizuāli novērot tīkla elementu aktivizāciju.

Gatavi risinājumi (pielāgotas lietojumprogrammas, izmantojot STATISTICA automatizētie neironu tīkli)

Vienkāršs un ērts sistēmas interfeiss STATISTICA automatizētie neironu tīkli (SANN)ļauj ātri izveidot neironu tīkla lietojumprogrammas, lai atrisinātu jūsu problēmas.

Var rasties situācija, kad nepieciešams šos risinājumus integrēt esošajā sistēmā, piemēram, padarīt tos par daļu no plašākas skaitļošanas vides (tās var būt procedūras, kas izstrādātas atsevišķi un iebūvētas korporatīvajā skaitļošanas sistēmā).

Apmācītos neironu tīklus var lietot jaunām datu kopām (prognozēšanai) vairākos veidos: Jūs varat saglabāt apmācītos tīklus un pēc tam lietot tos jaunai datu kopai (prognozēšanai, klasifikācijai vai prognozēšanai); Varat izmantot koda ģeneratoru, lai automātiski ģenerētu programmas kodu programmā C (C++, C#) vai Visual Basic un pēc tam izmantotu to, lai prognozētu jaunus datus jebkurā Visual Basic vai C++ (C#) programmēšanas vidē, t.i., iegultu savā datorā pilnībā apmācītu neironu tīklu. pieteikumu. Noslēgumā visa sistēmas funkcionalitāte STATISTIKA, ieskaitot STATISTICA automatizētie neironu tīkli (SANN), var izmantot kā COM objektus (Component Object Model) citās lietojumprogrammās (piemēram, Java, MS Excel, C#, VB.NET utt.). Piemēram, varat ieviest automatizētu analīzi, kas izveidota, izmantojot STATISTICA automatizētie neironu tīkli (SANN) MS Excel tabulās.

Mācību algoritmu saraksts

Gradienta nolaišanās

Konjugētie gradienti

Kohonena apmācība

K-Means metode radiālās bāzes funkciju tīklam

Tīkla lieluma ierobežojumi

Neironu tīkls var būt gandrīz jebkura izmēra (tas ir, tā izmēri var būt daudzkārt lielāki, nekā tas ir faktiski nepieciešams un saprātīgs); daudzslāņu perceptronu tīklam ir atļauts viens slēptais neironu slānis. Faktiski jebkuru praktisku uzdevumu veikšanai programmu ierobežo tikai datora aparatūras iespējas.

e-rokasgrāmata

Kā daļa no sistēmas STATISTICA automatizētie neironu tīkli (SANN) ir labi ilustrēta mācību grāmata, kas sniedz pilnīgu un skaidru ievadu neironu tīkliem, kā arī piemērus. Detalizētas, kontekstjutīgas palīdzības sistēma ir pieejama jebkurā dialoglodziņā.

Avota koda ģenerators

Avota koda ģenerators ir papildu produkts, kas lietotājiem ļauj viegli izveidot savas lietojumprogrammas, pamatojoties uz sistēmu STATISTICA automatizētie neironu tīkli (SANN). Šis papildu produkts izveido neironu tīkla modeļa avota sistēmas kodu (kā failu C, C++, C# vai Java valodā), ko var atsevišķi apkopot un integrēt savā programmā bezmaksas izplatīšanai. Šis produkts ir īpaši izstrādāts uzņēmumu sistēmu izstrādātājiem, kā arī tiem lietotājiem, kuriem nepieciešams pārveidot augsti optimizētas procedūras, kas izveidotas STATISTICA automatizētie neironu tīkli (SANN), ārējās lietojumprogrammās, lai atrisinātu sarežģītas analītiskas problēmas. (Jāpiebilst, ka, lai iegūtu atļauju, lietotājiem ir jāinformē sitessia darbinieki par programmu izplatīšanu, izmantojot ģenerēto kodu).

STATISTICĀ nepārtrauktās prognozēšanas problēma ir attēlota kā regresijas problēma. Šīs problēmas kontekstā neironu tīkls tiek uzskatīts par nelineāru funkciju, kuras sarežģītība tiek kontrolēta “pusparametriski” - elementu skaits tīklā ietekmē risinājuma sarežģītību, bet, protams, analītiķis nevar redzēt regresijas funkcijas skaidru formu.

Nepieciešams izveidot neironu tīklu, kas aprēķina svina emisiju atmosfērā atkarībā no garāmbraucošo transportu skaita un veida. Dati tiek glabāti failā Lead.xls.

Statistica pakotnē atveriet failu Svinets.xls. Parādās logs Atvērt failu.

Rīsi. 4. 33. Importēšanas logs.

Jāizvēlas opcija “Importēt atlasīto lapu” un jāizvēlas datu lapas nosaukums:

Rīsi. 4. 34. Excel lapas atlase importēšanai Statistica pakotnē.

Nākamajā logā jānorāda reālie datu parametri, kas, kā likums, tiek noteikti un parādīti automātiski (izņemot pēdējās trīs izvēles rūtiņas).

Rīsi. 4. 35. Importēšanas apgabala iestatīšana.

Pēc tam importētie dati tiks parādīti logā.

Rīsi. 4. 36. Importēt rezultātus.

Palaidiet analīzes pakotni, izmantojot neironu tīklus. Lai to izdarītu, izvēlnē "Analīze" atlasiet "Neironu tīkli".

Rīsi. 4. 37. Datu apstrādes metodes izvēle - “neironu tīkls”.

pēc tam parādīsies STATISTICA neironu tīklu pakotnes logs:

Rīsi. 4. 38. Sākuma logs “neironu tīklu” analīzei.

Dodieties uz cilni “Ātrā”, kur jāiestata uzdevuma veids - Regresija un rīks - Network Designer.

Rīsi. 4. 39. Neironu tīkla dizainera palaišana.

Pēc tam, nospiežot pogu “OK”, jūs pārslēgsities uz izejas (atkarīgo) un ievades (neatkarīgo) mainīgo atlases režīmu. Kā pirmo izvēlamies “Svins”, bet pēdējo – visu kategoriju automašīnu skaitu. Slejas "Nē" un "Iela" paliek neizmantotas.

Rīsi. 4. 40. Neironu tīkla ievades un izejas datu atlase.

Noklikšķinot uz “Labi”, jūs atgriezīsities cilnē “Ātrā”. Pēc tam, vēlreiz noklikšķinot uz pogas “Ok”, jūs tiksit novirzīts uz neironu tīkla veidošanas logu. Cilnē “Ātri” ir jāizvēlas tīkla veids - daudzslāņu perceptrons,

Rīsi. 4. 41. Neironu tīkla veida izvēle.

un cilnē “Elementi” varat norādīt nepieciešamo slāņu skaitu, neironu skaitu katrā, kā arī aktivizācijas funkcijas veidu:

Rīsi. 4. 42. Slāņu skaita un neironu tipu iestatīšana.

Rīsi. 4. 43. Neironu tīkla apmācības metodes izvēle.

Šeit, noklikšķinot uz pogas “Paraugi”, varat iestatīt apmācības, kontroles un testa piemēru skaitu. Ja testa un kontroles piemēru skaitu iestatāt uz nulli, tīkls tiks apmācīts, izmantojot visus piemērus:

Rīsi. 4. 44. Noteikt datus apmācībai un testēšanai.

Atgriežoties galvenajā apmācības logā, varat noklikšķināt uz pogas “Lietotājs” un doties uz cilni “Interaktīvs”, pieprasīt, lai apmācības process tiktu atspoguļots diagrammas veidā:

Rīsi. 4. 45. Grafika veida norādīšana mācību procesa demonstrēšanai.

Visbeidzot, noklikšķinot uz pogas “Ok”, jūs sāksiet mācību procesu, kura rezultāts tiks parādīts grafikā:

Rīsi. 4. 46. Neironu tīkla apmācība.

Noklikšķinot uz pogas “Ok”, tiksiet novirzīts uz rezultātu logu, kurā varēsiet izpētīt dažādas izveidotā tīkla īpašības, pārvietojoties pa loga cilnēm:

Rīsi. 4. 47. Neironu tīklu modelēšanas rezultāti.

Tā, piemēram, cilnē “Papildu” ir poga “Tīkla arhitektūra”, uz kuras noklikšķinot var redzēt izveidotā tīkla topoloģiju:

Rīsi. 4. 48. Konstruētā neironu tīkla skats.

kā arī poga “Lietotāju novērojumi”, kur var sniegt tīklam jaunus sākotnējos datus un saņemt atbildi no jau apmācīta tīkla.

Kādas ir līdzības un atšķirības starp neiroskaitļošanas un statistikas valodām datu analīzē? Apskatīsim vienkāršu piemēru.

Pieņemsim, ka mums ir novērojumiem un eksperimentāli izmērīts N punktu pāri, kas attēlo funkcionālās attiecības. Ja jūs mēģināt novilkt labāko taisnu līniju caur šiem punktiem, kas statistikas valodā nozīmēs izmantot nezināmās atkarības aprakstīšanai lineārais modelis

(kur apzīmē troksni novērošanas laikā), tad atbilstošās problēmas risinājums lineārā regresija tiks samazināts līdz to parametru aptuveno vērtību atrašanai, kas samazina kvadrātisko summu atlikumi.

Ja parametri ir atrasti, tad vērtību var novērtēt y par jebkuru vērtību x, tas ir, īstenot interpolācija Un ekstrapolācija datus.

To pašu problēmu var atrisināt, izmantojot viena slāņa tīklu ar vienu ievadi un vienu lineārs izejas neirons. Saites svars a un slieksnis b var iegūt, minimizējot to pašu atlikuma vērtību (kas šajā gadījumā tiks saukta par vidējo kvadrātu kļūda) laikā apmācību tīklus, piemēram, izmantojot atpakaļpavairošanas metodi. Neironu tīkla īpašība vispārināšana pēc tam tiks izmantots, lai prognozētu izvades vērtību no ievades vērtības.

25. attēls. Lineārā regresija un viena slāņa perceptrons, kas to realizē.

Salīdzinot šīs divas pieejas, uzreiz pārsteidz tas, ka, aprakstot to metodes, statistika piesaista formulas Un vienādojumi, un neirodatoriem uz neironu arhitektūras grafiskais apraksts.

1 Ja atceramies, ka kreisā puslode darbojas ar formulām un vienādojumiem, bet labā puslode ar grafiskiem attēliem, tad varam saprast, ka, salīdzinot ar statistiku, “ labā puslode” neironu tīklu pieeja.

Vēl viena būtiska atšķirība ir tā, ka statistikas metodēm nav nozīmes tam, kā neatbilstība tiek samazināta līdz minimumam – jebkurā gadījumā modelis paliek nemainīgs, savukārt neiroskaitļošanai galveno lomu spēlē mācību metode. Citiem vārdiem sakot, atšķirībā no neironu tīkla pieejas, statistikas metožu modeļa parametru novērtējums nav atkarīgs no minimizēšanas metodes. Tajā pašā laikā statistiķi apsvērs izmaiņas atlikuma veidā, piemēram, līdz

Kā fundamentālas izmaiņas modelī.

Atšķirībā no neironu tīklu pieejas, kurā lielāko daļu laika pavada tīklu apmācība, statistiskajā pieejā šis laiks tiek tērēts rūpīgai problēmas analīzei. Tā izmanto statistiķu zināšanas, lai izvēlētos modeli, pamatojoties uz jomai specifisku datu un informācijas analīzi. Neironu tīklu - šo universālo aproksimatoru - izmantošana parasti tiek veikta, neizmantojot a priori zināšanas, lai gan dažos gadījumos tas ir ļoti noderīgi. Piemēram, aplūkojamajam lineārajam modelim, izmantojot vidējo kvadrātisko kļūdu, tiek iegūts tā parametru optimālais novērtējums, ja trokšņa vērtībai ir normāls sadalījums ar vienādu dispersiju visiem treniņu pāriem. Tajā pašā laikā, ja ir zināms, ka šīs dispersijas ir atšķirīgas, tad izmantošana svērtais kļūdu funkcijas

var dot ievērojami labākas parametru vērtības.

Papildus vienkāršākajam aplūkotajam modelim mēs varam sniegt piemērus citiem, savā ziņā līdzvērtīgiem statistikas un neironu tīklu paradigmu modeļiem.

3. tabula. Līdzīgas metodes

Hopfield tīklam ir acīmredzama saistība ar datu klasterizāciju un faktoru analīzi.

1 Faktoru analīze izmanto mācībām struktūras datus. Tās galvenais priekšnoteikums ir pieņēmums par šādu zīmju esamību - faktoriem, ko nevar tieši novērot, bet var novērtēt pēc vairākiem novērojamiem primārajiem raksturlielumiem. Piemēram, tādas zīmes kā ražošanas apjoms Un pamatlīdzekļu izmaksas, var noteikt tādu faktoru kā ražošanas apjomu. Atšķirībā no neironu tīkliem, kuriem nepieciešama apmācība, faktoru analīze var darboties tikai ar noteiktu skaitu novērojumu. Lai gan principā šādu novērojumu skaitam vajadzētu būt tikai par vienu lielākam par mainīgo lielumu skaitu, ieteicams izmantot vismaz trīs reizes lielāku vērtību skaitu. Tas joprojām tiek uzskatīts par mazāku par neironu tīkla apmācības parauga lielumu. Tāpēc statistiķi norāda uz faktoru analīzes priekšrocību, jo tiek izmantots mazāk datu, tādējādi nodrošinot ātrāku modeļu ģenerēšanu. Turklāt tas nozīmē, ka faktoru analīzes metožu ieviešanai ir nepieciešami mazāk jaudīgi skaitļošanas rīki. Vēl viena faktoru analīzes priekšrocība ir tā, ka tā ir baltās kastes metode, t.i. pilnīgi atvērts un saprotams - lietotājs var viegli saprast, kāpēc modelis rada konkrētu rezultātu. Saikni starp faktoru analīzi un Hopfīlda modeli var redzēt, atsaucot atmiņā minimālos bāzes vektorus novērojumu kopai (atmiņas attēli - skat. 5. nodaļu). Tieši šie vektori ir analogi faktoriem, kas apvieno dažādas atmiņas vektoru sastāvdaļas - primārās īpašības.

1 Loģistiskā regresija ir binārā klasifikācijas metode, ko plaši izmanto finanšu lēmumu pieņemšanā. Tas ļauj novērtēt kāda notikuma realizācijas (vai nerealizācijas) varbūtību atkarībā no dažu neatkarīgu mainīgo vērtībām - prognozētājiem: x 1,...,x N. Loģistiskās regresijas modelī šai varbūtībai ir analītiskā forma: Pr( X) =(1+exp(-z)) -1, kur z = a 0 + a 1 x 1 +...+ a N x N. Tā neironu tīkla analogs acīmredzami ir viena slāņa perceptrons ar nelineāru izejas neironu. Finanšu lietojumos vairāku iemeslu dēļ priekšroka tiek dota loģistikas regresijai, nevis daudzfaktoru lineārajai regresijai un diskriminantu analīzei. Jo īpaši tas automātiski nodrošina, ka varbūtība pieder intervālam, un nosaka mazāk ierobežojumu prognozējošo vērtību sadalījumam. Pēdējais ir ļoti svarīgs, jo finanšu rādītāju vērtību sadalījums koeficientu veidā parasti nav normāls un ir “ļoti šķībs”. Neironu tīklu priekšrocība ir tāda, ka šī situācija tiem nerada problēmas. Turklāt neironu tīkli ir nejutīgi pret prognozējošo vērtību korelāciju, savukārt regresijas modeļa parametru novērtēšanas metodes šajā gadījumā bieži dod neprecīzas vērtības.

Anotācija: Neironu tīkli un statistika. Neironu tīkli un izplūdušā loģika. Neironu tīkli un ekspertu sistēmas. Neironu tīkli un statistiskā fizika.

Dzīvniekus iedala:

kas pieder imperatoram,

balzamēts,

pieradināts,

piesūcekņi,

sirēnas,

pasakains,

atsevišķi suņi,

iekļauts šajā klasifikācijā,

skraidīs apkārt kā traks

neskaitāmi,

krāsots ar izcilāko kamieļspalvu suku,

citi,

salauza ziedu vāzi,

no attāluma atgādina mušas.

H. L. Borges, "Džona Vilkinsa analītiskā valoda"

Neiroskaitļošanai ir daudz saskarsmes punktu ar citām disciplīnām un to metodēm. Jo īpaši neironu tīklu teorijā tiek izmantots statistikas mehānikas un optimizācijas teorijas aparāts. Neiroskaitļošanas pielietojuma jomas dažkārt stipri pārklājas vai gandrīz sakrīt ar matemātiskās statistikas, izplūdušo kopu teorijas un ekspertu sistēmu pielietojuma jomām. Neiroskaitļošanas savienojumi un paralēles ir ārkārtīgi daudzveidīgi un liecina par tās universālumu. Šajā lekcijā, kuru var uzskatīt par papildus, jo tā prasa nedaudz lielāku matemātisku sagatavošanos, mēs runāsim tikai par svarīgākajiem no tiem.

Neironu tīkli un statistika

Tā kā neironu tīklus tagad veiksmīgi izmanto datu analīzei, ir lietderīgi tos salīdzināt ar vecākām, labi attīstītām statistikas metodēm. Statistikas literatūrā dažkārt var sastapties ar apgalvojumu, ka visbiežāk izmantotās neironu tīklu pieejas ir nekas vairāk kā neefektīvi regresijas un diskriminējošie modeļi. Mēs jau iepriekš to atzīmējām daudzslāņu neironu tīkli faktiski var atrisināt tādas problēmas kā regresija un klasifikācija. Tomēr, pirmkārt, datu apstrāde ar neironu tīkliem ir daudz daudzveidīgāka - atcerieties, piemēram, aktīvo klasifikāciju pēc Hopfīlda tīkliem vai Kohonena pazīmju kartēm, kurām nav statistisku analogu. Otrkārt, daudzi pētījumi par neironu tīklu izmantošanu finansēs un biznesā ir atklājuši to priekšrocības salīdzinājumā ar iepriekš izstrādātajām statistikas metodēm. Sīkāk aplūkosim neironu tīklu un matemātiskās statistikas metožu salīdzināšanas rezultātus.

Vai neironu tīkli ir apraksta valoda?

Kā minēts, daži statistiķi apgalvo, ka neironu tīklu pieejas datu apstrādei ir vienkārši no jauna atklātas un pārformulētas, bet labi zināmas statistikas analīzes metodes. Citiem vārdiem sakot, neiroskaitļošana vienkārši izmanto jaunu valodu, lai aprakstītu vecās zināšanas. Piemēram, šeit ir Vorena Sērla citāts:

Daudzi neironu tīklu pētnieki ir inženieri, fiziķi, neirozinātnieki, psihologi vai datorzinātnieki, kuri maz zina par statistiku un nelineāro optimizāciju. Neironu tīklu pētnieki pastāvīgi no jauna atklāj metodes, kas matemātiskajā un statistikas literatūrā ir zināmas gadu desmitiem un gadsimtiem, bet bieži vien nespēj saprast, kā šīs metodes darbojas.

Šis viedoklis no pirmā acu uzmetiena var šķist saprātīgs. Neironu tīklu formālisms patiešām var pretendēt uz universālu valodu. Nav nejaušība, ka jau McCulloch un Pitts novatoriskajā darbā tika parādīts, ka neironu tīkla apraksts ir līdzvērtīgs propozicionālās loģikas aprakstam.

Es patiesībā atklāju, ka ar tehniku, ko izstrādāju 1961. gada dokumentā (...), es varētu viegli atbildēt uz visiem jautājumiem, ko man uzdeva smadzeņu zinātnieki (...) vai datorzinātnieki. Tomēr kā fiziķis es labi zināju, ka teorija, kas visu izskaidro, patiesībā neko neizskaidro: labākajā gadījumā tā ir valoda. Eduardo Kajanello

Tāpēc nav pārsteidzoši, ka statistiķi bieži atklāj, ka viņiem pazīstamajiem jēdzieniem ir analogi neironu tīklu teorijā. Vorens Sērls ir apkopojis nelielu šajās divās jomās lietoto terminu glosāriju.

11.1. tabula. Līdzīgu terminu glosārijs

Neironu tīkli	Statistikas metodes.
Zīmes	mainīgie
ievades	neatkarīgi mainīgie
izejas	prognozētās vērtības
mērķa vērtības	atkarīgie mainīgie
kļūda	atlikums
apmācība, adaptācija, pašorganizācija	pakāpe
kļūdas funkcija, Ļapunova funkcija	vērtēšanas kritērijs
treniņu attēli (pāri)	novērojumiem
tīkla parametri: svari, sliekšņi.	Paredzamie parametri
augstas kārtas neironi	mijiedarbības
funkcionālie savienojumi	transformācija
uzraudzīta mācīšanās vai heteroasociācija	regresijas un diskriminanta analīze
bez uzraudzības mācīšanās vai auto asociācija	datu saspiešana
konkurētspējīga mācīšanās, adaptīvā vektoru kvantēšana	klasteru analīze
vispārināšana	interpolācija un ekstrapolācija

Kāda ir atšķirība starp neironu tīkliem un statistiku?

Kādas ir līdzības un atšķirības starp neiroskaitļošanas un statistikas valodām datu analīzē? Apskatīsim vienkāršu piemēru.

Pieņemsim, ka esam veikuši novērojumus un eksperimentāli izmērījuši N punktu pārus, kas atspoguļo funkcionālo atkarību. Ja caur šiem punktiem mēģināsim novilkt vislabāko taisni, kas statistikas valodā nozīmēs lineārā modeļa izmantošanu nezināmās atkarības aprakstīšanai , (kur apzīmē troksni novērojuma laikā), tad atbilstošās lineārās regresijas problēmas risināšana būs samazināts līdz to parametru aptuveno vērtību atrašanai, kas samazina kvadrātisko atlieku summu.

Ja parametri ir atrasti, tad ir iespējams novērtēt y vērtību jebkurai x vērtībai, tas ir, interpolēt un ekstrapolēt datus.

To pašu problēmu var atrisināt, izmantojot viena slāņa tīkls ar vienu ieeju un vienu lineāru izejas neironu. Savienojuma svaru a un slieksni b var iegūt, līdz minimumam samazinot to pašu atlikumu (ko šajā gadījumā sauks par vidējo kvadrātisko kļūdu) tīkla apmācības laikā, piemēram, izmantojot atpakaļpavairošanas metodi. Neironu tīkla vispārināšanas īpašība tiks izmantota, lai prognozētu izejas vērtību no ievades vērtības.

Rīsi. 11.1.

Salīdzinot šīs divas pieejas, jūsu uzmanību uzreiz piesaista tas, ka, aprakstot to metodes, statistika atsaucas uz formulām un vienādojumiem, un neiroskaitļošana attiecas uz neironu arhitektūru grafisku aprakstu.

Ja atceramies, ka kreisā puslode darbojas ar formulām un vienādojumiem, bet labā puslode ar grafiskiem attēliem, tad varam saprast, ka salīdzinājumā ar statistiku atkal parādās neironu tīkla pieejas “labās puslodes” daba.

Vēl viena būtiska atšķirība ir tā, ka statistikas metodēm nav svarīgi, kā neatbilstība tiek samazināta līdz minimumam - jebkurā gadījumā modelis paliek nemainīgs, savukārt neiroskaitļošanai galveno lomu spēlē apmācības metode. Citiem vārdiem sakot, atšķirībā no neironu tīkla pieejas, modeļa parametru novērtējums statistikas metodēm nav atkarīgs no minimizēšanas metode. Tajā pašā laikā statistiķi apsvērs izmaiņas atlikuma veidā, piemēram, līdz

Tāpat kā principiālas izmaiņas modelī.

Atšķirībā no neironu tīklu pieejas, kurā lielāko daļu laika pavada tīklu apmācība, statistiskajā pieejā šis laiks tiek tērēts rūpīgai problēmas analīzei. Tā izmanto statistiķu zināšanas, lai izvēlētos modeli, pamatojoties uz jomai specifisku datu un informācijas analīzi. Neironu tīklu - šo universālo aproksimatoru - izmantošana parasti tiek veikta, neizmantojot a priori zināšanas, lai gan dažos gadījumos tas ir ļoti noderīgi. Piemēram, aplūkojamajam lineārajam modelim, izmantojot vidējo kvadrātisko kļūdu, tiek iegūts tā parametru optimālais novērtējums, ja trokšņa vērtībai ir normāls sadalījums ar vienādu dispersiju visiem treniņu pāriem. Tajā pašā laikā, ja ir zināms, ka šīs novirzes ir atšķirīgas, tad izmantojot svērto kļūdu funkciju

Var dot ievērojami labākas parametru vērtības.

Papildus vienkāršākajam aplūkotajam modelim mēs varam sniegt piemērus citiem, savā ziņā līdzvērtīgiem statistikas un neironu tīklu paradigmu modeļiem.

Hopfield tīklam ir acīmredzama saistība ar datu klasterizāciju un faktoru analīzi.

Faktoru analīze izmanto datu struktūras pētīšanai. Tās galvenais priekšnoteikums ir pieņēmums par šādu pazīmju esamību - faktoriem, kurus nevar tieši novērot, bet var novērtēt pēc vairākām novērojamām primārajām pazīmēm. Piemēram, tādas īpašības kā ražošanas apjoms un pamatlīdzekļu izmaksas var noteikt tādu faktoru kā ražošanas apjoms. Atšķirībā no neironu tīkliem, kuriem nepieciešama apmācība, faktoru analīze var darboties tikai ar noteiktu skaitu novērojumu. Lai gan principā šādu novērojumu skaitam vajadzētu būt tikai par vienu lielākam par mainīgo lielumu skaitu, ieteicams izmantot vismaz trīs reizes lielāku vērtību skaitu. Tas joprojām tiek uzskatīts par mazāku par neironu tīkla apmācības parauga lielumu. Tāpēc statistiķi norāda uz faktoru analīzes priekšrocību, jo tiek izmantots mazāk datu, tādējādi nodrošinot ātrāku modeļu ģenerēšanu. Turklāt tas nozīmē, ka faktoru analīzes metožu ieviešanai ir nepieciešami mazāk jaudīgi skaitļošanas rīki. Vēl viena faktoru analīzes priekšrocība ir tā, ka tā ir baltās kastes metode, t.i. pilnīgi atvērts un saprotams - lietotājs var viegli saprast, kāpēc modelis rada konkrētu rezultātu. Saikni starp faktoru analīzi un Hopfīlda modeli var redzēt, atsaucot atmiņā vektorus minimālā bāze novērojumu kopumam (atmiņas attēli – skat. 5. lekciju). Tieši šie vektori ir analogi faktoriem, kas apvieno dažādas atmiņas vektoru sastāvdaļas - primārās īpašības.

Noteiktas pacientu novērošanas vēstures laikā ir uzkrājies datu masīvs, kas tiek saglabāts tabulā STATISTICA sistēmā. Atbilstošā datu tabula ir parādīta 6. attēlā.

6. attēls. Avota datu tabulas fragments

Pētījuma mērķis ir izveidot neironu tīkla modeli, kas, pamatojoties uz noteiktu sākotnējo datu kopumu (pacienta izmeklējumu dati, izmeklējumu rezultāti, ārstēšana pirms uzņemšanas), pamatojoties uz slimnīcā nozīmēto ārstēšanu, radītu prognozi ārstēšana (vērtības uzņemšanai slimnīcā I-APFARA, BAB, BKK, diurētiskie līdzekļi, centrālās darbības zāles) ar pietiekamu precizitāti.

Tas, ka problēma ir nelineāra, nav šaubu. Protams, problēmu varētu mēģināt atrisināt, izmantojot moduli STATISTICA Nonlinear Estimation, proti, izmantojot šī moduļa piedāvātās iteratīvās procedūras, lai “taustītu” pēc funkcijas veida. Tomēr šeit ir vairākas nepatikšanas, kas ievērojami pagarina risinājuma atrašanas procedūru. Vissvarīgākais no tiem ir hipotēzes formulēšana par pētāmās atkarības izteikto formu, kas nebūt nav acīmredzama.

Bez papildu pētījumiem ir grūti kaut ko teikt par acīmredzamo atkarības veidu. Turklāt jāpiemin, ka mēs neņēmām vērā vēl vienu faktoru. Kopumā šādas problēmas atrisināšana, izmantojot nelineārās aplēses metodes, var aizņemt ļoti ilgu laiku vai arī neko nenovest. Šādās kritiskās situācijās, kad zināms, ka

Pastāv saistība starp mainīgajiem lielumiem;

Attiecības noteikti ir nelineāras;

Ir grūti kaut ko teikt par acīmredzamo atkarības formu,

Neironu tīklu algoritmi palīdz. Apskatīsim veidu, kā atrisināt šo problēmu modulī STATISTICA neironu tīkli.

Diemžēl nav universālu noteikumu, kas norādītu, kura neironu tīkla topoloģija būtu jāievēro, lai atrisinātu konkrētu problēmu. Tāpēc ir nepieciešama saprātīga procedūra, lai atrastu pareizo tīklu.

STATISTICA sistēmas neironu tīklu modulis ietver procedūru, kas organizē vajadzīgās tīkla konfigurācijas meklēšanu. Šī procedūra sastāv no liela skaita dažādu arhitektūru tīklu izveides un testēšanas un pēc tam no tiem atlases tīkla, kas ir vispiemērotākais konkrētās problēmas risināšanai. Šo rīku sauc Intelligent Problem Solver. Lai palaistu Neironu tīklu moduli, sistēmas STATISTICA - Statistika galvenajā izvēlnē ir jāizmanto tāda paša nosaukuma komanda. (7. attēls)

7. attēls. Neironu tīklu moduļa palaišana

Ļoti izplatīta ir šāda tēze: "neironu tīkli ir universāla struktūra, kas ļauj realizēt jebkuru algoritmu." Mēģināsim, akli ticot šim apgalvojumam, izveidot neironu tīklu, kas nekavējoties “noķertu” ierosināto atkarību (tas nozīmē, bez iepriekšējas izpētes analīzes).

Viens no svarīgākajiem jautājumiem, ko mūsdienu zinātne vēl nav atrisinājusi, ir jautājums par neironu tīkla struktūru, kas spētu reproducēt vēlamo daudzdimensionālo nelineāro atkarību. Patiešām, Kolmogorova teorēma par pilnīgumu, ko viņš pierādīja tālajā 1957. gadā, apgalvo, ka neironu tīkls spēj reproducēt jebkuru (ļoti svarīgu - nepārtrauktu) funkciju. Taču tas pētniekam nepiedāvā recepti šāda tīkla izveidei. 1988. gadā vairāki autori vispārināja Kolmogorova teorēmu un parādīja, ka jebkuru nepārtrauktu funkciju var aproksimēt ar trīs slāņu neironu tīklu ar vienu slēptu slāni un atpakaļpavairošanas algoritmu ar jebkādu precizitātes pakāpi. Tādējādi mūsu gadījumā pozitīvais aspekts ir apziņa, ka tīklam jābūt trīs slāņiem, bet atkal nav noteikumu, kas noteiktu saistību starp “jebkuru precizitātes pakāpi” un neironu skaitu starpposmā, tātad. sauc par slēpto slāni.

Apkopojot visu iepriekš minēto, mēs atzīmējam, ka nav universālu noteikumu, kas norādītu, kura neironu tīkla topoloģija būtu jāievēro, lai atrisinātu konkrētu problēmu. Tāpēc ir nepieciešama saprātīga procedūra, lai atrastu pareizo tīklu.

STATISTICA sistēmas neironu tīklu modulis ietver unikālu procedūru, kas organizē vajadzīgās tīkla konfigurācijas meklēšanu. Šo rīku sauc Intelligent Problem Solver. Izmantosim šo rīku un meklēsim neironu tīklu, kas spēs atrisināt mūsu problēmu.

8. attēls. Neironu tīklu moduļa palaišanas bloks

Šī dialoglodziņa cilnes Ātrā sadaļā Problēmas veids tiek piedāvāts atlasīt problēmu klasi, ar kuru mēs saskaramies. Mūsu mērķis ir izveidot daudzfaktoru attiecības jeb, citiem vārdiem sakot, daudzfaktoru nelineāro regresiju. Tas nozīmē, ka sadaļā Problēmas veids jānorāda Regresija.

Pieņemot lēmumu par uzdevumu klasi, nepieciešams precizēt mainīgos lielumus analīzes veikšanai. Lai atlasītu mainīgos, izmantojiet pogu Mainīgie. Noklikšķinot uz šīs pogas, tiek parādīts dialoglodziņš Atlasīt ievadi (neatkarīgu), izvadi (atkarīgo) un atlasītāja mainīgos. Šajā dialoglodziņā ir jānorāda divi mainīgo lielumu saraksti. Nepārtrauktas izejas, mūsu gadījumā, ir mainīgie lielumi Uzņemšana slimnīcā ACEI/ARB, Uzņemšana slimnīcā BAB, Uzņemšana slimnīcā BKK, Uzņemšana diurētisko līdzekļu slimnīcā un uzņemšana centrāli iedarbīgo zāļu slimnīcā. Mūsu piemērā nepārtrauktās ievades ir no 1 līdz 61 sākotnējam parametram.

9. attēls. Mainīgo atlase analīzei

Sadaļā Atlasīt analīzi ir pieejamas divas iespējas: Intelligent Problem Solver un Custom Network Designer. Lai automātiski atlasītu neironu tīkla parametrus, ir nepieciešama pirmā opcija, kas ir iestatīta pēc noklusējuma. Lai turpinātu analīzi, noklikšķiniet uz Labi.

Nākamajā darbībā tiek parādīts Intelligent Problem Solver iestatīšanas dialoglodziņš.

Sadaļā Ātrā ir opciju grupa, kas ir atbildīga par neironu tīkla meklēšanas algoritma izpildes laiku. Šajā cilnē jānorāda pārbaudāmo tīklu skaits (lai noskaidrotu, vai tie ir piemēroti formulētās problēmas risināšanai), kā arī jānorāda, cik no šiem tīkliem tiks iekļauti gala ziņojumā.

Sadaļā Pārbaudītie tīkli norādām 100, saglabātie tīkli - 10 (10. attēls)

Cilnē Tipi ir norādīts, kāda veida neironu tīkli tiks izmantoti testēšanas procesā. Lai atrisinātu nelineārās regresijas problēmu, vispiemērotākais ir daudzslāņu perceptrons, tāpēc izvēlamies 11. attēlā atzīmētos tīklus.

10. attēls. Pārbaudāmo tīklu skaita iestatīšana

11. attēls. Tīkla arhitektūras izvēle

Tālāk, lai organizētu meklēšanas un testēšanas procesu, ir jānorāda neironu skaita izmaiņu diapazons katrā neironu tīkla slānī. Ieteicamās vērtības šim uzdevumam ir parādītas 12. attēlā.

12. attēls. Apmācības, kontroles un testa paraugu lieluma norāde

Tagad, pēc visu apmācības parametru iestatīšanas, lai sāktu tīkla meklēšanas procedūru, jānoklikšķina uz Labi.

Meklēšanas algoritma statuss tiek parādīts dialoglodziņā IPS Training In Progress.

Kamēr darbojas piemērota neironu tīkla meklēšanas algoritms, šis dialoglodziņš sniedz informāciju par algoritma izpildes laiku, kā arī par aplūkotajiem neironu tīkliem. Meklēšanas algoritma mērķis ir uzskaitīt vairākas neironu tīkla konfigurācijas un izvēlēties labāko, ņemot vērā minimālo kļūdu tīkla izvadē un maksimālo tā veiktspēju.

Vai jums patika raksts? Dalies ar to

Izdrukājiet šo rakstu