STATISTICA'nın yerini alacak alternatifler. Nöral ağlar

STATISTICA Otomatik Sinir Ağları, dünyada tamamen Rusçaya çevrilmiş tek sinir ağı yazılım ürünüdür!

Sinir ağı metodolojileri, temel araştırmalardan veri analizi, iş, endüstri vb. pratik uygulamalara kadar çeşitli alanlarda giderek yaygınlaşmaktadır.

Piyasadaki en gelişmiş ve en etkili sinir ağı ürünlerinden biridir. Birçok benzersiz avantaj ve zengin özellik sunar. Örneğin, otomatik sinir ağı arama aracının benzersiz yetenekleri, , sistemin yalnızca sinir ağları uzmanları tarafından değil, aynı zamanda sinir ağı bilişimi alanına yeni başlayanlar tarafından da kullanılmasına olanak tanır.

Kullanmanın avantajları nelerdir? ?

    Veri seçimi, nominal kodlama, ölçekleme, normalleştirme, sınıflandırma, regresyon ve zaman serisi problemlerine yönelik yorumlama ile eksik verilerin çıkarılması dahil olmak üzere ön ve son işleme;

    Olağanüstü kullanım kolaylığı artı rakipsiz analitik güç; örneğin benzersiz bir otomatik sinir ağı arama aracı Otomatik sinir ağı (ANN) kullanıcıya çeşitli sinir ağları oluşturmanın tüm aşamalarında rehberlik edecek ve en iyisini seçecektir (aksi takdirde bu görev uzun bir "deneme yanılma" süreciyle çözülür ve ciddi teori bilgisi gerektirir);

    En modern, optimize edilmiş ve güçlü ağ eğitim algoritmaları (eşlenik gradyan yöntemleri, Levenberg-Marquardt algoritması, BFGS, Kohonen algoritması dahil); etkinleştirme ve hata işlevleri, ağ karmaşıklığı gibi ağ kalitesini etkileyen tüm parametreler üzerinde tam kontrol;

    Sinir ağları toplulukları ve neredeyse sınırsız boyuttaki sinir ağı mimarileri için destek;

    Etkileşimli keşif analizini kolaylaştıran zengin grafik ve istatistiksel yetenekler;

    Sistemle tam entegrasyon İSTATİSTİK; tüm sonuçlar, grafikler, raporlar vb. güçlü grafiksel ve analitik araçlar kullanılarak daha da değiştirilebilir İSTATİSTİK(örneğin, tahmin edilen artıkları analiz etmek, ayrıntılı bir rapor oluşturmak vb.);

    Güçlü otomatikleştirilmiş araçlarla kusursuz entegrasyon İSTATİSTİK; herhangi bir analiz için tam teşekküllü makroların kaydedilmesi; kullanarak kendi sinir ağı analizlerinizi ve uygulamalarınızı oluşturma İSTATİSTİK Visual Basic mücadelesi İSTATİSTİK Otomatik Sinir Ağları COM teknolojisini destekleyen herhangi bir uygulamadan (örneğin, bir MS Excel elektronik tablosunda otomatik sinir ağı analizi veya C, C++, C#, Java vb. ile yazılmış birkaç özel uygulamayı birleştirerek).

  • Çok Katmanlı Algılayıcılar, Radyal Temel İşlevler ve Kendi Kendini Düzenleyen Özellik Haritaları dahil olmak üzere en popüler ağ mimarilerinden bir seçki.
  • Araç mevcut Otomatik Ağ Aramaçeşitli sinir ağı mimarilerini otomatik olarak oluşturmanıza ve bunların karmaşıklığını düzenlemenize olanak tanır.
  • En iyi sinir ağlarının korunması.

    Regresyon, sınıflandırma, sürekli ve kategorik bağımlı değişkenli zaman serileri, boyutluluk azaltma ve görselleştirme için küme analizi dahil olmak üzere çeşitli istatistiksel analiz türlerini ve tahmine dayalı modellerin oluşturulmasını destekleyin.

    Birden fazla modelin yüklenmesini ve analizini destekler.

  • Kendi uygulamalarınızı oluşturmak için harici bir ortama kolayca entegre edilebilen C, C++, C#, Java, PMML (Tahmini Model İşaretleme Dili) dillerinde kaynak kodu oluşturma isteğe bağlı yeteneği.

Kod üreteci

Kod üreteci İSTATİSTİK Otomatik Sinir Ağları C, Java ve PMML'de (Tahmini Model İşaretleme Dili) sinir ağı modelleri için kaynak sistem program kodu oluşturabilir. Kod oluşturucu sisteme ek bir uygulamadır İSTATİSTİK Otomatik Sinir Ağları Kullanıcıların sinir ağı analizine dayanarak modellerin kaynak kodunu içeren bir C veya Java dosyası oluşturmasına ve bunu bağımsız harici uygulamalara entegre etmesine olanak tanır.

    Kod oluşturucu gerektirir İSTATİSTİK Otomatik Sinir Ağları.

    Sinir ağı kaynak kodunun bir sürümünü oluşturur (C, C++, C# veya Java dilinde bir dosya olarak).

    C veya Java kod dosyası daha sonra harici programlara gömülebilir.

İSTATİSTİKOtomatik Nöral ağlar sinir ağı hesaplamasında

Sinir ağlarının kullanımı, sinir ağı yöntemlerini kullanarak veri işlemekten çok daha fazlasını içerir.

İSTATİSTİK Otomatik Sinir Ağları (SANN) yalnızca en son sürümler değil, çok karmaşık görevlerle çalışmak için çeşitli işlevler sağlar Sinir Ağı Mimarileri Ve Öğrenme algoritmaları, aynı zamanda sonuçların yorumlanmasını kolaylaştıran çeşitli aktivasyon ve hata fonksiyonlarını numaralandırma yeteneğine sahip sinir ağı mimarilerinin oluşturulmasına yönelik yeni yaklaşımlar. Ek olarak, yazılım geliştiriciler ve uygulama ayarlarıyla deneme yapan kullanıcılar, belirtilen deneyleri basit ve sezgisel bir arayüzde gerçekleştirdikten sonra bunu takdir edeceklerdir. İSTATİSTİK Otomatik Sinir Ağları (SANN) Sinir ağı analizleri özel bir uygulamada birleştirilebilir. Bu, COM işlev kitaplığı kullanılarak gerçekleştirilebilir. İSTATİSTİK programın tüm işlevlerini tam olarak yansıtan veya program tarafından oluşturulan ve tam olarak eğitilmiş bir sinir ağının çalıştırılmasına yardımcı olan C/C++ kodunu kullanan.

Modül İSTATİSTİK Otomatik Sinir Ağları sistemle tam entegre İSTATİSTİK Böylece, verileri analiz için düzenlemek (hazırlamak) için çok çeşitli araçlar (dönüşümler, gözlem seçme koşulları, veri kontrol araçları vb.) mevcuttur.

Tüm testler gibi İSTATİSTİK, program, yerinde işleme araçlarını kullanarak uzak bir veritabanına "eklenebilir" veya canlı verilere bağlanabilir, böylece modeller her veri değiştiğinde otomatik olarak eğitilir veya çalıştırılır (örneğin, tahmin edilen değerleri veya sınıflandırmayı hesaplamak için) .

Veri ölçeklendirme ve nominal değer dönüşümü

Veriler ağa girilmeden önce belli bir şekilde hazırlanmalıdır. Çıktı verilerinin doğru şekilde yorumlanabilmesi de aynı derecede önemlidir. İÇİNDE İSTATİSTİK Otomatik Sinir Ağları (SANN) giriş ve çıkış verilerini otomatik olarak ölçeklendirmek mümkündür; Nominal değerleri olan değişkenler de 1-of-N kodlama yönteminin kullanılması da dahil olmak üzere otomatik olarak yeniden kodlanabilir (örneğin, Cinsiyet=(Erkek,Kadın)). İSTATİSTİK Otomatik Sinir Ağları (SANN) ayrıca eksik verilerle çalışmaya yönelik araçlar da içerir. Zaman serisi analizi için özel olarak tasarlanmış veri hazırlama ve yorumlama araçları bulunmaktadır. Çok çeşitli benzer araçlar da uygulanmaktadır. İSTATİSTİK.

Sınıflandırma problemlerinde güven aralıkları ayarlamak mümkündür. İSTATİSTİK Otomatik Sinir Ağları (SANN) daha sonra gözlemleri bir sınıfa veya diğerine atamak için kullanılır. Uygulanan özel bir uygulamayla birlikte İSTATİSTİK Otomatik Sinir Ağları (SANN) Softmax aktivasyon fonksiyonu ve çapraz entropi hata fonksiyonları, sınıflandırma problemlerine temel bir olasılık-teorik yaklaşım sağlar.

Bir sinir ağı modelinin seçilmesi, sinir ağları toplulukları

Sinir ağı modellerinin çeşitliliği ve ayarlanması gereken birçok parametre (ağ boyutları, öğrenme algoritması parametreleri vb.) bazı kullanıcıların kafasını karıştırabilir. Ancak bu nedenle otomatik bir sinir ağı arama aracı var. Her karmaşıklıkta uygun bir ağ mimarisini otomatik olarak arayabilen , aşağıya bakın. Sistemde İSTATİSTİK Otomatik Sinir Ağları (SANN) Aşağıdakiler de dahil olmak üzere, pratik sorunların çözümünde kullanılan tüm ana sinir ağı türleri uygulanmıştır:

    çok katmanlı algılayıcılar (doğrudan sinyal aktarımına sahip ağlar);

    radyal temel fonksiyonlara dayalı ağlar;

    kendi kendini organize eden Kohonen haritaları.

Yukarıdaki mimariler regresyon, sınıflandırma, zaman serileri (sürekli veya kategorik bağımlı değişkenli) ve kümeleme problemlerinde kullanılır.

Ayrıca sistemde İSTATİSTİK Otomatik Sinir Ağları (SANN) uygulandı Ağ toplulukları yukarıdaki ağların rastgele (ancak önemli) kombinasyonlarından oluşur. Bu yaklaşım özellikle gürültülü ve düşük boyutlu veriler için kullanışlıdır.

Paketin içinde İSTATİSTİK Otomatik Sinir Ağları (SANN) Kullanıcının uygun ağ mimarisini seçmesine yardımcı olacak çok sayıda araç mevcuttur. Sistemin istatistiksel ve grafiksel araçları, popülasyonun tamamı ve bireysel gözlemler için histogramları, matrisleri ve hata grafiklerini, doğru/yanlış sınıflandırmaya ilişkin nihai verileri içerir ve açıklanan varyans oranı gibi tüm önemli istatistikler otomatik olarak hesaplanır.

Bir paketteki verileri görselleştirmek için İSTATİSTİK Otomatik Sinir Ağları (SANN) Kullanıcının ağın "davranışını" anlamasına yardımcı olmak için dağılım grafikleri ve 3 boyutlu yanıt yüzeyleri uygulanır.

Elbette, listelenen kaynaklardan elde edilen bilgileri başka yollarla daha ileri analiz için kullanabilirsiniz. İSTATİSTİK ve ayrıca raporlara daha sonra dahil edilmek veya özelleştirme için.

İSTATİSTİK Otomatik Sinir Ağları (SANN) görevi denediğinizde aldığınız en iyi ağ seçeneğini otomatik olarak hatırlar ve ona istediğiniz zaman başvurabilirsiniz. Ağın kullanışlılığı ve tahmin yeteneği, özel bir test gözlem seti ile otomatik olarak test edilir ve ayrıca ağın boyutu, verimliliği ve yanlış sınıflandırmanın maliyeti tahmin edilir. Uygulanan İSTATİSTİK Otomatik Sinir Ağları (SANN) Otomatik çapraz doğrulama ve ağırlık düzenleme prosedürleri, ağınızın belirli bir görev için gereğinden az veya aşırı karmaşık olup olmadığını hızlı bir şekilde belirlemenize olanak tanır.

Paketteki performansı artırmak için İSTATİSTİK Otomatik Sinir AğlarıÇok sayıda ağ yapılandırma seçeneği sunulmaktadır. Böylece, regresyon problemlerinde doğrusal bir çıkış ağı katmanı veya olasılıksal tahmin ve sınıflandırma problemlerinde bir softmax aktivasyon fonksiyonu belirleyebilirsiniz. Sistem ayrıca bilgi teorisi modellerine dayalı çapraz entropi hata fonksiyonlarını ve hem gizli hem de çıkış nöronları için Özdeş, Üstel, Hiperbolik, Lojistik (sigmoid) ve Sinüs fonksiyonları dahil olmak üzere bir dizi özel aktivasyon fonksiyonunu uygular.

Otomatik sinir ağı (çeşitli sinir ağı mimarilerinin otomatik aranması ve seçilmesi)

Paketin bir kısmı İSTATİSTİK Otomatik Sinir Ağları (SANN) otomatik bir sinir ağı arama aracıdır, Otomatik sinir ağı (ANN) - Otomatik Ağ Araması (ANS) Farklı mimariye ve karmaşıklığa sahip birçok sinir ağını değerlendiren ve belirli bir görev için en iyi mimariye sahip ağları seçen.

Bir sinir ağı oluştururken, uygun değişkenlerin seçilmesi ve buluşsal arama kullanılarak ağ mimarisinin optimize edilmesi için önemli miktarda zaman harcanır. İSTATİSTİK Otomatik Sinir Ağları (SANN) bu işi devralır ve sizin için otomatik olarak buluşsal bir arama gerçekleştirir. Bu prosedür, giriş boyutunu, ağ türünü, ağ boyutlarını, etkinleştirme işlevlerini ve hatta gerekli çıkış hatası işlevlerini hesaba katar.

Karmaşık teknikleri kullanırken en iyi ağ mimarisini otomatik olarak bulmanızı sağlayan son derece etkili bir araçtır. Saatlerinizi bilgisayarınızın başında oturarak geçirmek yerine, bırakın sistem İSTATİSTİK Otomatik Sinir Ağları (SANN) bu işi senin için yap.

En iyi ağ türünü ve mimarisini bulmak için yaptığınız deneylerin başarısı, büyük ölçüde ağ öğrenme algoritmalarının kalitesine ve hızına bağlıdır. Sistemde İSTATİSTİK Otomatik Sinir Ağları (SANN) Bugüne kadarki en iyi eğitim algoritmaları uygulandı.

Sistemde İSTATİSTİK Otomatik Sinir Ağları (SANN)İki hızlı ikinci dereceden algoritma uygulanmıştır: eşlenik gradyan yöntemleri ve BFGS algoritması. İkincisi son derece güçlü, modern, doğrusal olmayan bir optimizasyon algoritmasıdır ve uzmanlar bunu kullanmanızı şiddetle tavsiye eder. Ayrıca, bilgisayarın RAM kapasitesinin oldukça sınırlı olduğu durumlarda sistem tarafından kullanılan, daha az bellek gerektiren BFGS algoritmasının basitleştirilmiş bir versiyonu da bulunmaktadır. Bu algoritmalar, Gradient Descent gibi birinci dereceden doğruluk algoritmalarına göre daha hızlı yakınsama ve daha doğru bir çözüm üretme eğilimindedir.

Sistemdeki ağ eğitiminin yinelemeli süreci İSTATİSTİK Otomatik Sinir Ağları (SANN) mevcut eğitim hatasının ve test setinde bağımsız olarak hesaplanan hatanın otomatik olarak görüntülenmesiyle birlikte sunulur ve ayrıca toplam hatanın bir grafiği de gösterilir. Sadece bir düğmeye basarak antrenmanı istediğiniz zaman durdurabilirsiniz. Ayrıca eğitimin kesintiye uğrayacağı durma koşullarını da ayarlamak mümkündür; böyle bir durum, örneğin, belirli bir hata seviyesine ulaşılması veya belirli bir geçiş sayısı - "dönemler" (ağın sözde yeniden eğitimini gösterir) boyunca test hatasında istikrarlı bir artış olabilir. Aşırı uyum meydana gelirse kullanıcının aşağıdakileri umursamaması gerekir: İSTATİSTİK Otomatik Sinir Ağları (SANN) eğitim süreci sırasında elde edilen en iyi ağın bir örneğini otomatik olarak hatırlar ve bu ağ seçeneğine her zaman ilgili düğmeye tıklanarak erişilebilir. Ağ eğitimi tamamlandıktan sonra, çalışmasının kalitesini ayrı bir test setinde kontrol edebilirsiniz.

Ağ eğitildikten sonra işinin kalitesini kontrol etmeniz ve özelliklerini belirlemeniz gerekir. Bu amaçla pakette İSTATİSTİK Otomatik Sinir Ağları (SANN) Ekranda bir dizi istatistik ve grafiksel araç bulunmaktadır.

Birkaç modelin (ağlar ve topluluklar) belirtilmesi durumunda (mümkünse) İSTATİSTİK Otomatik Sinir Ağları (SANN) karşılaştırmalı sonuçları görüntüleyecektir (örneğin, birkaç modelin yanıt eğrilerini tek bir grafikte çizin veya birkaç modelin tahminlerini tek bir tabloda gösterin). Bu özellik, aynı veri seti üzerinde eğitilen farklı modelleri karşılaştırmak için çok kullanışlıdır.

Tüm istatistikler, kullanıcının takdirine bağlı olarak eğitim, doğrulama ve test setleri için ayrı ayrı veya bunların herhangi bir kombinasyonuyla hesaplanır.

Aşağıdaki özet istatistikler otomatik olarak hesaplanır: ağın ortalama karekök hatası, sınıflandırma sorunları için karışıklık matrisi (tüm doğru ve yanlış sınıflandırma durumlarının toplandığı yer) ve regresyon sorunları için korelasyonlar. Kohonen ağı, ağ elemanlarının aktivasyonlarını görsel olarak gözlemleyebileceğiniz bir Topolojik Harita penceresine sahiptir.

Hazır çözümler (kullanılan özel uygulamalar) İSTATİSTİK Otomatik Sinir Ağları)

Basit ve kullanışlı sistem arayüzü İSTATİSTİK Otomatik Sinir Ağları (SANN) Sorunlarınızı çözmek için hızlı bir şekilde sinir ağı uygulamaları oluşturmanıza olanak tanır.

Bu çözümlerin mevcut bir sisteme entegre edilmesinin (örneğin daha geniş bir bilgi işlem ortamının parçası haline getirilmesinin) gerekli olduğu bir durum söz konusu olabilir (bunlar ayrı ayrı geliştirilen ve kurumsal bilgi işlem sistemine entegre edilen prosedürler olabilir).

Eğitilmiş sinir ağları yeni veri kümelerine (tahmin için) birkaç şekilde uygulanabilir: Eğitilmiş ağları kaydedebilir ve ardından bunları yeni bir veri kümesine uygulayabilirsiniz (tahmin, sınıflandırma veya tahmin için); C (C++, C#) veya Visual Basic'te program kodunu otomatik olarak oluşturmak için bir kod oluşturucu kullanabilir ve ardından bunu herhangi bir Visual Basic veya C++ (C#) programlama ortamında yeni verileri tahmin etmek için kullanabilirsiniz; yani tam eğitimli bir sinir ağını sisteminize yerleştirebilirsiniz. başvuru. Sonuç olarak, tüm sistem işlevselliği İSTATİSTİK, içermek İSTATİSTİK Otomatik Sinir Ağları (SANN), diğer uygulamalarda (örneğin, Java, MS Excel, C#, VB.NET vb.) COM nesneleri (Bileşen Nesne Modeli) olarak kullanılabilir. Örneğin, kullanılarak oluşturulan otomatik bir analizi uygulayabilirsiniz. İSTATİSTİK Otomatik Sinir Ağları (SANN) MS Excel tablolarına.

Öğrenme algoritmalarının listesi

    Dereceli alçalma

    Eşlenik degradeler

    Kohonen eğitimi

    Radyal Tabanlı Fonksiyon Ağı için K-Ortalamalar Yöntemi

Ağ boyutu kısıtlamaları

Bir sinir ağı hemen hemen her boyutta olabilir (yani boyutları gerçekte gerekli ve makul olandan kat kat daha büyük alınabilir); çok katmanlı algılayıcılardan oluşan bir ağ için, bir gizli nöron katmanına izin verilir. Aslında, herhangi bir pratik görev için program yalnızca bilgisayarın donanım yetenekleriyle sınırlıdır.

e-Kılavuz

Sistemin bir parçası olarak İSTATİSTİK Otomatik Sinir Ağları (SANN) sinir ağlarına eksiksiz ve net bir giriş sağlayan ve örneklerin de yer aldığı, iyi resimlendirilmiş bir ders kitabı bulunmaktadır. Ayrıntılı, bağlama duyarlı bir yardım sistemine herhangi bir iletişim kutusundan ulaşılabilir.

Kaynak kodu oluşturucu

Kaynak kod oluşturucu, kullanıcıların sistem bazında kolayca kendi uygulamalarını oluşturmalarına olanak tanıyan ek bir üründür. İSTATİSTİK Otomatik Sinir Ağları (SANN). Bu ek ürün, sinir ağı modelinin kaynak sistem kodunu oluşturur (C, C++, C# veya Java dilinde bir dosya olarak), ayrı olarak derlenebilir ve ücretsiz dağıtım için programınıza entegre edilebilir. Bu ürün, kurumsal sistem geliştiricilerinin yanı sıra, oluşturulan son derece optimize edilmiş prosedürleri dönüştürmesi gereken kullanıcılar için özel olarak tasarlanmıştır. İSTATİSTİK Otomatik Sinir Ağları (SANN) Karmaşık analitik problemleri çözmek için harici uygulamalara. (Kullanıcıların izin alabilmesi için oluşturulan kodu kullanarak sitesia çalışanlarını programların dağıtımı konusunda bilgilendirmesi gerektiğini belirtmekte fayda var).

STATISTICA'da sürekli tahmin problemi bir regresyon problemi olarak temsil edilmektedir. Bu sorun bağlamında, bir sinir ağı, karmaşıklığı "yarı-parametrik" olarak kontrol edilen doğrusal olmayan bir işlev olarak kabul edilir - ağdaki öğelerin sayısı çözümün karmaşıklığını etkiler, ancak elbette analist regresyon fonksiyonunun açık biçimini göremiyorum.

Geçen taşımacılığın sayısına ve türüne bağlı olarak atmosfere kurşun emisyonunu hesaplayan bir sinir ağının kurulması gerekmektedir. Veriler Lead.xls dosyasında saklanır.

Statistica paketindeki Svinets.xls dosyasını açın. Dosya Aç penceresi görünür.

Pirinç. 4. 33. İçe aktarma penceresi.

“Seçili sayfayı içe aktar” seçeneğini seçmeli ve veri sayfasının adını seçmelisiniz:

Pirinç. 4. 34. Statistica paketine aktarmak için bir Excel sayfası seçme.

Bir sonraki pencerede, kural olarak otomatik olarak belirlenen ve görüntülenen (son üç onay kutusu hariç) gerçek veri parametrelerini belirtmeniz gerekir.

Pirinç. 4. 35. İçe aktarma alanını ayarlama.

Bundan sonra içe aktarılan veriler pencerede görüntülenecektir.

Pirinç. 4. 36. Sonuçları içe aktarın.

Analiz paketini sinir ağlarını kullanarak çalıştırın. Bunu yapmak için “Analiz” menüsünden “Sinir Ağları” seçeneğini seçin.

Pirinç. 4. 37. Bir veri işleme yöntemi seçme - “sinir ağı”.

bundan sonra STATISTICA Sinir Ağları paket penceresi görünecektir:

Pirinç. 4. 38. “Sinir ağları” analizi için başlangıç ​​penceresi.

Görev türünü - Regresyon ve aracı - Ağ Tasarımcısını ayarlamanız gereken "Hızlı" sekmesine gidin.

Pirinç. 4. 39. Sinir ağı tasarımcısının başlatılması.

Daha sonra “OK” butonuna basarak çıkış (bağımlı) ve giriş (bağımsız) değişkenlerini seçme moduna geçeceksiniz. İlk olarak “Öncü”yü, son olarak da tüm kategorilerdeki araba sayısını seçiyoruz. "Hayır" ve "Sokak" sütunları kullanılmadan kalır.

Pirinç. 4. 40. Bir sinir ağı için giriş ve çıkış verilerinin seçilmesi.

“Tamam”a tıkladığınızda “Hızlı” sekmesine döneceksiniz. Daha sonra tekrar “Tamam” butonuna tıkladığınızda sinir ağı oluşumu penceresine yönlendirileceksiniz. “Hızlı” sekmesinde ağ türünü seçmeniz gerekir - çok katmanlı algılayıcı,

Pirinç. 4. 41. Sinir ağı türünün seçilmesi.

ve "Öğeler" sekmesinde gerekli katman sayısını, her birindeki nöron sayısını ve aktivasyon fonksiyonunun türünü belirleyebilirsiniz:

Pirinç. 4. 42. Katman sayısını ve nöron türlerini ayarlama.

Pirinç. 4. 43. Bir sinir ağını eğitmek için bir yöntem seçme.

Burada “Samples” butonuna tıklayarak eğitim, kontrol ve test örneklerinin sayısını ayarlayabilirsiniz. Test ve kontrol örneklerinin sayısını sıfıra ayarlarsanız ağ tüm örnekler kullanılarak eğitilecektir:

Pirinç. 4. 44. Eğitim ve test için verileri belirleyin.

Ana eğitim penceresine döndüğünüzde “Kullanıcı” butonuna tıklayıp “İnteraktif” sekmesine giderek eğitim sürecinin grafik şeklinde yansıtılmasını isteyebilirsiniz:

Pirinç. 4. 45. Öğrenme sürecini gösterecek grafik türünün belirtilmesi.

Son olarak “Tamam” butonuna tıklayarak öğrenme sürecini başlatacaksınız ve bunun sonucu grafikte görüntülenecektir:

Pirinç. 4. 46. Bir sinir ağının eğitimi.

“Tamam” düğmesine tıkladığınızda, pencere sekmeleri arasında ilerleyerek oluşturulan ağın çeşitli özelliklerini inceleyebileceğiniz sonuçlar penceresine yönlendirileceksiniz:

Pirinç. 4. 47. Sinir ağı modellemesinin sonuçları.

Örneğin, "Gelişmiş" sekmesinde, oluşturulan ağın topolojisini görebileceğiniz bir "Ağ mimarisi" düğmesi vardır:

Pirinç. 4. 48. Oluşturulan sinir ağının görünümü.

ağa yeni başlangıç ​​verileri verebileceğiniz ve önceden eğitilmiş bir ağdan yanıt alabileceğiniz “Kullanıcı Gözlemleri” düğmesinin yanı sıra.

Veri analizinde nörobilgisayar ve istatistik dilleri arasındaki benzerlikler ve farklılıklar nelerdir? Basit bir örneğe bakalım.

Sahip olduğumuzu varsayalım gözlemler ve deneysel olarak ölçülen N fonksiyonel bir ilişkiyi temsil eden nokta çiftleri. Bu noktalar üzerinden en iyi düz çizgiyi çizmeye çalışırsanız, istatistik dilinde bu, bilinmeyen bağımlılığı tanımlamak için kullanmak anlamına gelecektir. doğrusal model

(burada gözlem sırasındaki gürültüyü belirtir), ardından ilgili sorunun çözümü doğrusal regresyonİkinci dereceden toplamları en aza indiren parametrelerin tahmini değerlerini bulmaya indirgenecektir. artıklar.

Parametreler bulunursa değer tahmin edilebilir sen herhangi bir değer için X, yani uygulamaya koymak interpolasyon Ve ekstrapolasyon veri.

Aynı sorun, tek girişli ve tek katmanlı tek katmanlı bir ağ kullanılarak çözülebilir. doğrusalçıkış nöronu. Bağlantı ağırlığı A ve eşik B kalıntının aynı değerinin en aza indirilmesiyle elde edilebilir (bu durumda buna ortalama karekök adı verilecektir). hata) sırasında eğitim ağlar, örneğin geri yayılım yöntemini kullanarak. Bir sinir ağının özelliği genelleme daha sonra giriş değerinden çıkış değerini tahmin etmek için kullanılacaktır.

Şekil 25. Doğrusal regresyon ve onu uygulayan tek katmanlı algılayıcı.

Bu iki yaklaşımı karşılaştırırken hemen göze çarpan şey, yöntemleri anlatırken istatistiklerin ilgi çekici olmasıdır. formüller Ve denklemler ve nörobilgisayar sinir mimarilerinin grafiksel açıklaması.

1 Sol yarıkürenin formüller ve denklemlerle, sağ yarıkürenin ise grafik görsellerle çalıştığını hatırlarsak, istatistiklerle karşılaştırıldığında şunu anlayabiliriz: “ sağ yarıküre” sinir ağı yaklaşımı.

Bir diğer önemli fark, istatistiksel yöntemler için tutarsızlığın nasıl en aza indirildiğinin önemli olmamasıdır - her halükarda modeli aynı kalırken, nörobilgisayarda ana rol şu kişiler tarafından oynanır: öğretme yöntemi. Başka bir deyişle, sinir ağı yaklaşımından farklı olarak istatistiksel yöntemler için model parametrelerinin tahmini, minimizasyon yöntemine bağlı değildir. Aynı zamanda istatistikçiler kalıntı türündeki değişiklikleri de dikkate alacaklar.

Nasıl modelde köklü değişiklik.

Zamanın çoğunun ağları eğitmeye harcandığı sinir ağı yaklaşımından farklı olarak istatistiksel yaklaşımda bu süre, sorunun kapsamlı bir analizine harcanır. Alana özgü veri ve bilgilerin analizine dayalı bir model seçmek için istatistikçilerin uzmanlığından yararlanır. Sinir ağlarının kullanımı - bu evrensel yaklaşımlar - bazı durumlarda çok faydalı olmasına rağmen genellikle ön bilgi kullanılmadan gerçekleştirilir. Örneğin, söz konusu doğrusal model için, hatanın ortalama karekökünün kullanılması, gürültü değeri tüm eğitim çiftleri için aynı varyansa sahip normal bir dağılıma sahip olduğunda, parametrelerinin optimal bir tahmininin elde edilmesine yol açar. Aynı zamanda bu dağılımların farklı olduğu biliniyorsa kullanım ağırlıklı hata fonksiyonları

önemli ölçüde daha iyi parametre değerleri verebilir.

Ele alınan en basit modele ek olarak, bir anlamda diğer eşdeğer istatistik modellerine ve sinir ağı paradigmalarına örnekler verebiliriz.

Tablo 3. Benzer teknikler

Hopfield ağının veri kümeleme ve faktör analizi ile açık bir bağlantısı vardır.

1 Faktor analizi ders çalışmak için kullanılır yapılar veri. Ana dayanağı, bu tür işaretlerin varlığının varsayımıdır - faktörler Doğrudan gözlemlenemeyen ancak birkaç gözlemlenebilir temel özellik ile değerlendirilebilen. Örneğin, gibi işaretler üretim hacmi Ve sabit varlıkların maliyeti gibi bir faktörü belirleyebiliriz. üretim ölçeği. Eğitim gerektiren sinir ağlarından farklı olarak faktör analizi yalnızca belirli sayıda gözlemle çalışabilir. Prensip olarak bu tür gözlemlerin sayısının değişken sayısından yalnızca bir fazla olması gerekse de, değer sayısının en az üç katının kullanılması tavsiye edilir. Bu hala sinir ağı için eğitim örneğinin boyutundan daha az olarak değerlendirilmektedir. Bu nedenle istatistikçiler, faktör analizinin daha az veri kullanması ve dolayısıyla daha hızlı model oluşturulmasına yol açması avantajına dikkat çekiyor. Ayrıca bu, faktör analizi yöntemlerinin uygulanmasının daha az güçlü hesaplama araçları gerektirdiği anlamına gelir. Faktör analizinin bir diğer avantajı beyaz kutu yöntemi olmasıdır. tamamen açık ve anlaşılır - kullanıcı, modelin neden belirli bir sonucu ürettiğini kolayca anlayabilir. Faktör analizi ile Hopfield modeli arasındaki bağlantı, bir dizi gözlem için minimum temel vektörlerin hatırlanmasıyla görülebilir (bellek görüntüleri - bkz. Bölüm 5). Bellek vektörlerinin çeşitli bileşenlerini - birincil özellikleri - birleştiren faktörlerin analogları olan bu vektörlerdir.

1 Lojistik regresyon Finansal karar vermede yaygın olarak kullanılan ikili bir sınıflandırma yöntemidir. Bazı bağımsız değişkenlerin (tahmin ediciler) değerlerine bağlı olarak bazı olayların gerçekleşme (veya gerçekleşmeme) olasılığını tahmin etmenizi sağlar: x 1,...,x N. Lojistik regresyon modelinde bu olasılık şu analitik forma sahiptir: Pr( X) =(1+ifade(-z)) -1, burada z = a 0 + a 1 x 1 +...+ a N x N. Sinir ağı analoğu açıkça doğrusal olmayan bir çıkış nöronuna sahip tek katmanlı bir algılayıcıdır. Finansal uygulamalarda, çeşitli nedenlerden dolayı çok değişkenli doğrusal regresyon ve diskriminant analizi yerine lojistik regresyon tercih edilir. Özellikle, olasılığın aralığa ait olmasını otomatik olarak sağlar ve tahmin değerlerinin dağılımına daha az kısıtlama getirir. İkincisi çok önemlidir, çünkü finansal göstergelerin değerlerinin oranlar biçimindeki dağılımı genellikle normal değildir ve "oldukça çarpıktır". Sinir ağlarının avantajı bu durumun onlar için sorun teşkil etmemesidir. Ek olarak, sinir ağları tahmin değerlerinin korelasyonuna karşı duyarsızdır; bu durumda regresyon modeli parametrelerini tahmin etmeye yönelik yöntemler sıklıkla hatalı değerler verir.

Dipnot: Sinir ağları ve istatistik. Sinir ağları ve bulanık mantık. Sinir ağları ve uzman sistemler. Sinir ağları ve istatistiksel fizik.

Hayvanlar ikiye ayrılır:

  1. İmparatora ait,
  2. mumyalanmış,
  3. evcilleştirilmiş,
  4. enayiler,
  5. sirenler,
  6. efsanevi,
  7. bireysel köpekler,
  8. Bu sınıflandırmaya dahil olan
  9. deli gibi koşuyorum
  10. sayısız,
  11. en iyi deve kılı fırçasıyla boyanmış,
  12. diğerleri,
  13. çiçek vazosunu kırdım,
  14. uzaktan sineklere benzer.

H. L. Borges, "John Wilkins'in Analitik Dili"

Nörobilgisayarın diğer disiplinler ve yöntemleriyle çok sayıda temas noktası vardır. Özellikle sinir ağları teorisi istatistiksel mekanik ve optimizasyon teorisinin aygıtlarını kullanır. Nörobilgisayarın uygulama alanları bazen matematiksel istatistik, bulanık küme teorisi ve uzman sistemlerin uygulama alanlarıyla büyük ölçüde örtüşmekte veya neredeyse örtüşmektedir. Nörobilgisayarın bağlantıları ve paralellikleri son derece çeşitlidir ve evrenselliğini gösterir. Biraz daha matematiksel hazırlık gerektirdiği için ek sayılabilecek bu dersimizde sadece en önemlilerinden bahsedeceğiz.

Sinir ağları ve istatistikler

Sinir ağları artık veri analizi için başarıyla kullanıldığından, bunları daha eski, iyi geliştirilmiş istatistiksel yöntemlerle karşılaştırmak uygun olacaktır. İstatistik literatüründe bazen en sık kullanılan sinir ağı yaklaşımlarının etkisiz regresyon ve diskriminant modellerden başka bir şey olmadığı ifadesine rastlayabilirsiniz. Daha önce de belirtmiştik çok katmanlı sinir ağları aslında regresyon ve sınıflandırma gibi problemleri çözebilir. Bununla birlikte, ilk olarak, sinir ağları tarafından veri işleme çok daha çeşitlidir - örneğin, istatistiksel analogları olmayan Hopfield ağları veya Kohonen özellik haritaları tarafından aktif sınıflandırmayı hatırlayın. İkincisi, sinir ağlarının finans ve iş dünyasında kullanımına ilişkin birçok çalışma, daha önce geliştirilen istatistiksel yöntemlere göre avantajlarını ortaya çıkarmıştır. Sinir ağları ve matematiksel istatistik yöntemlerini karşılaştırmanın sonuçlarına daha yakından bakalım.

Sinir ağları bir tanımlama dili midir?

Belirtildiği gibi, bazı istatistikçiler veri işlemeye yönelik sinir ağı yaklaşımlarının basitçe yeniden keşfedildiğini ve yeniden formüle edildiğini, ancak iyi bilinen istatistiksel analiz yöntemleri olduğunu iddia ediyor. Başka bir deyişle, nörobilgisayar eski bilgiyi tanımlamak için yeni bir dil kullanıyor. Örnek olarak burada Warren Searle'den bir alıntı yer alıyor:

Sinir ağı araştırmacılarının çoğu, istatistik ve doğrusal olmayan optimizasyon hakkında çok az bilgisi olan mühendisler, fizikçiler, sinir bilimcileri, psikologlar veya bilgisayar bilimcileridir. Sinir ağı araştırmacıları, matematik ve istatistik literatüründe onlarca yıldır ve yüzyıllardır bilinen yöntemleri sürekli olarak yeniden keşfediyor, ancak çoğu zaman bu yöntemlerin nasıl çalıştığını anlayamadıklarını düşünüyorlar.

Bu bakış açısı ilk bakışta makul görünebilir. Sinir ağlarının formalizmi gerçekten evrensel bir dil olduğunu iddia edebilir. McCulloch ve Pitts'in öncü çalışmalarında, bir sinir ağı tanımının önermesel mantık tanımına eşdeğer olduğunun gösterilmesi tesadüf değildir.

Aslında 1961 tarihli makalemde (...) geliştirdiğim teknikle, beyin bilimcilerinin (...) veya bilgisayar bilimcilerinin bana sorduğu tüm soruları kolaylıkla yanıtlayabildiğimi keşfettim. Ancak bir fizikçi olarak, her şeyi açıklayan bir teorinin aslında hiçbir şeyi açıklamadığını çok iyi biliyordum: En iyi ihtimalle bu bir dildi. Eduardo Cayanello

Bu nedenle istatistikçilerin sıklıkla aşina oldukları kavramların sinir ağı teorisinde benzerleri olduğunu keşfetmeleri şaşırtıcı değildir. Warren Searle bu iki alanda kullanılan terimlerin küçük bir sözlüğünü derledi.

Tablo 11.1. Benzer terimler sözlüğü
Nöral ağlar İstatistiksel yöntemler.
İşaretler değişkenler
girişler bağımsız değişkenler
çıkışlar tahmin edilen değerler
hedef değerler bağımlı değişkenler
hata artık
eğitim, adaptasyon, öz-organizasyon seviye
hata fonksiyonu, Lyapunov fonksiyonu değerlendirme kriteri
eğitim görselleri (çift) gözlemler
ağ parametreleri: ağırlıklar, eşikler. Tahmini parametreler
yüksek dereceli nöronlar etkileşim
fonksiyonel bağlantılar dönüşüm
denetimli öğrenme veya heteroassociation regresyon ve diskriminant analizi
denetimsiz öğrenme veya otomatik ilişkilendirme Veri sıkıştırma
rekabetçi öğrenme, uyarlanabilir vektör nicemleme küme analizi
genelleme enterpolasyon ve ekstrapolasyon
Sinir ağları ve istatistik arasındaki fark nedir?

Veri analizinde nörobilgisayar ve istatistik dilleri arasındaki benzerlikler ve farklılıklar nelerdir? Basit bir örneğe bakalım.

Fonksiyonel bağımlılığı temsil eden N çift noktayı gözlemlediğimizi ve deneysel olarak ölçtüğümüzü varsayalım. Bu noktalar üzerinden en iyi düz çizgiyi çizmeye çalışırsak, ki bu istatistik dilinde bilinmeyen bağımlılığı tanımlamak için doğrusal bir model kullanmak anlamına gelir (burada gözlem sırasındaki gürültüyü belirtir), o zaman karşılık gelen doğrusal regresyon problemini çözeriz: ikinci dereceden artıkların toplamını en aza indiren parametrelerin tahmini değerlerini bulmaya indirgenmiştir.

Parametreler bulunursa, herhangi bir x değeri için y'nin değerini tahmin etmek, yani verileri enterpolasyon ve ekstrapole etmek mümkündür.

Aynı sorun kullanılarak çözülebilir. tek katmanlı ağ tek bir giriş ve tek bir doğrusal çıkış nöronu ile. Bağlantı ağırlığı a ve eşik b, örneğin geri yayılım yöntemi kullanılarak ağ eğitimi sırasında aynı miktarda artık miktarın (bu durumda ortalama kare hatası olarak adlandırılacaktır) en aza indirilmesiyle elde edilebilir. Sinir ağının genelleme özelliği, giriş değerinden çıkış değerini tahmin etmek için kullanılacaktır.


Pirinç. 11.1.

Bu iki yaklaşımı karşılaştırırken hemen göze çarpan şey, yöntemleri açıklarken istatistiklerin formüllere ve denklemlere başvurması ve nörobilgisayarın sinir mimarilerinin grafiksel bir açıklamasına gönderme yapmasıdır.

Sol yarıkürenin formüller ve denklemlerle, sağ yarıkürenin ise grafik görsellerle çalıştığını hatırlarsak, istatistiklerle karşılaştırıldığında sinir ağı yaklaşımının “sağ yarıküre” niteliğinin yeniden ortaya çıktığını anlayabiliriz.

Bir diğer önemli fark, istatistiksel yöntemler için tutarsızlığın nasıl en aza indirildiğinin önemli olmamasıdır - her durumda model aynı kalırken, nörobilgi işlem için ana rolü oynayan eğitim yöntemidir. Başka bir deyişle, sinir ağı yaklaşımından farklı olarak istatistiksel yöntemler için model parametrelerinin tahmini, minimizasyon yöntemi. Aynı zamanda istatistikçiler kalıntı türündeki değişiklikleri de dikkate alacaklar.

Modelde köklü bir değişiklik gibi.

Zamanın çoğunun ağları eğitmeye harcandığı sinir ağı yaklaşımından farklı olarak istatistiksel yaklaşımda bu süre, sorunun kapsamlı bir analizine harcanır. Alana özgü veri ve bilgilerin analizine dayalı bir model seçmek için istatistikçilerin uzmanlığından yararlanır. Sinir ağlarının kullanımı - bu evrensel yaklaşımlar - bazı durumlarda çok faydalı olmasına rağmen genellikle ön bilgi kullanılmadan gerçekleştirilir. Örneğin, söz konusu doğrusal model için, hatanın ortalama karekökünün kullanılması, gürültü değeri tüm eğitim çiftleri için aynı varyansa sahip normal bir dağılıma sahip olduğunda, parametrelerinin optimal bir tahmininin elde edilmesine yol açar. Aynı zamanda bu varyansların farklı olduğu biliniyorsa ağırlıklı hata fonksiyonunun kullanılması

Önemli ölçüde daha iyi parametre değerleri verebilir.

Ele alınan en basit modele ek olarak, bir anlamda diğer eşdeğer istatistik modellerine ve sinir ağı paradigmalarına örnekler verebiliriz.

Hopfield ağının veri kümeleme ve faktör analizi ile açık bir bağlantısı vardır.

Faktor analizi Veri yapısını incelemek için kullanılır. Ana dayanağı, bu tür işaretlerin - doğrudan gözlemlenemeyen ancak birkaç gözlemlenebilir birincil işaret tarafından değerlendirilebilen faktörlerin - varlığının varsayılmasıdır. Örneğin üretim hacmi ve sabit varlıkların maliyeti gibi özellikler, üretim ölçeği gibi bir faktörü belirleyebilir. Eğitim gerektiren sinir ağlarından farklı olarak faktör analizi yalnızca belirli sayıda gözlemle çalışabilir. Prensip olarak bu tür gözlemlerin sayısının değişken sayısından yalnızca bir fazla olması gerekse de, değer sayısının en az üç katının kullanılması tavsiye edilir. Bu hala sinir ağı için eğitim örneğinin boyutundan daha az olarak değerlendirilmektedir. Bu nedenle istatistikçiler, faktör analizinin daha az veri kullanması ve dolayısıyla daha hızlı model oluşturulmasına yol açması avantajına dikkat çekiyor. Ayrıca bu, faktör analizi yöntemlerinin uygulanmasının daha az güçlü hesaplama araçları gerektirdiği anlamına gelir. Faktör analizinin bir diğer avantajı beyaz kutu yöntemi olmasıdır. tamamen açık ve anlaşılır - kullanıcı, modelin neden belirli bir sonucu ürettiğini kolayca anlayabilir. Faktör analizi ile Hopfield modeli arasındaki bağlantı, vektörler hatırlanarak görülebilir. asgari esas bir dizi gözlem için (hafıza görüntüleri - bkz. Ders 5). Bellek vektörlerinin çeşitli bileşenlerini - birincil özellikleri - birleştiren faktörlerin analogları olan bu vektörlerdir.

Hastaların belirli bir izleme geçmişi boyunca, bir dizi veri birikmiş ve STATISTICA sistemindeki bir tabloda saklanmıştır. İlgili Veri Tablosu Şekil 6'da gösterilmektedir.

Şekil 6. Kaynak veri tablosunun parçası

Çalışmanın amacı, belirli bir dizi başlangıç ​​verisine (hasta muayene verileri, test sonuçları, kabul öncesi tedavi) dayanarak, hastanede reçete edilen tedaviyi temel alarak hastanın hastalığına ilişkin prognoz üretecek bir sinir ağı modeli oluşturmaktır. tedavi (hastaneye kabul değerleri I-APFARA, BAB, BKK, diüretikler, merkezi etkili ilaçlar) yeterli doğrulukla.

Sorunun doğrusal olmadığı gerçeği şüphe götürmez. Elbette STATISTICA Doğrusal Olmayan Tahmin modülünü kullanarak, yani fonksiyon tipini "el yordamıyla" bulmak için bu modül tarafından sunulan yinelemeli prosedürleri kullanarak sorunu çözmeye çalışılabilir. Ancak burada çözüm bulma prosedürünü önemli ölçüde uzatan bir takım sıkıntılar var. Bunlardan en önemlisi, incelenen bağımlılığın açık biçimi hakkında, hiç de açık olmayan bir hipotezin formüle edilmesidir.

Ek araştırma yapılmadan bağımlılığın bariz türü hakkında bir şey söylemek zordur. Üstelik bir faktörü daha hesaba katmadığımızı da belirtmek gerekir. Genel olarak böyle bir problemi doğrusal olmayan tahmin yöntemleri kullanarak çözmek çok uzun zaman alabilir veya hiçbir sonuca varmayabilir. Böyle kritik durumlarda, bilindiğinde

Değişkenler arasında bir ilişki vardır;

İlişki kesinlikle doğrusal değildir;

Bağımlılığın bariz şekli hakkında bir şey söylemek zor,

Sinir ağı algoritmaları yardımcı oluyor. STATISTICA Sinir Ağları modülünde bu sorunu çözmenin bir yolunu düşünelim.

Ne yazık ki, belirli bir sorunu çözmek için hangi sinir ağı topolojisinin takip edilmesi gerektiğini gösteren evrensel kurallar yoktur. Bu nedenle doğru ağı bulmak için makul bir prosedür gereklidir.

STATISTICA sisteminin Sinir Ağları modülü, istenen ağ konfigürasyonunun aranmasını düzenleyen bir prosedür içerir. Bu prosedür, farklı mimarilere sahip çok sayıda ağın oluşturulması ve test edilmesinden ve daha sonra bunlar arasından verilen problemin çözümü için en uygun ağın seçilmesinden oluşur. Bu araca Akıllı Sorun Çözücü denir. Sinir Ağları modülünü başlatmak için STATISTICA - İstatistik sisteminin ana menüsündeki aynı isimli komutu kullanmanız gerekmektedir. (Şekil 7)

Şekil 7. Sinir Ağları modülünün başlatılması

Şu tez oldukça yaygındır: “Sinir ağları, herhangi bir algoritmayı uygulamanıza olanak tanıyan evrensel bir yapıdır.” Bu ifadeye körü körüne inanarak, önerilen bağımlılığı hemen "yakalayacak" (yani, ön keşif analizi olmadan) bir sinir ağı oluşturmaya çalışalım.

Modern bilimin henüz çözemediği en önemli konulardan biri, istenen çok boyutlu doğrusal olmayan bağımlılığı yeniden üretebilecek bir sinir ağının yapısı sorunudur. Aslında, Kolmogorov'un 1957'de kanıtladığı tamlık teoremi, bir sinir ağının herhangi bir (çok önemli - sürekli) işlevi yeniden üretebildiğini belirtir. Ancak araştırmacıya böyle bir ağ oluşturmanın reçetesini sunmuyor. 1988'de bazı yazarlar Kolmogorov teoremini genelleştirdiler ve herhangi bir sürekli fonksiyonun, bir gizli katmana sahip üç katmanlı bir sinir ağı ve herhangi bir doğruluk derecesine sahip bir geri yayılım algoritması ile yaklaşık olarak tahmin edilebileceğini gösterdi. Dolayısıyla bizim durumumuzda olumlu yön, ağın üç katmanlı olması gerektiği bilgisidir, ancak yine de "herhangi bir doğruluk derecesi" ile ara katmandaki nöron sayısı arasındaki ilişkiyi kuran hiçbir kural yoktur. gizli katman denir.

Yukarıdakilerin hepsini özetleyerek, belirli bir sorunu çözmek için hangi sinir ağı topolojisinin takip edilmesi gerektiğini gösteren evrensel kuralların bulunmadığını not ediyoruz. Bu nedenle doğru ağı bulmak için makul bir prosedür gereklidir.

STATISTICA sisteminin Sinir Ağları modülü, istenen ağ konfigürasyonunun aranmasını düzenleyen benzersiz bir prosedür içerir. Bu araca Akıllı Sorun Çözücü denir. Bu aracı kullanalım ve sorunumuzu çözebilecek bir sinir ağı arayalım.

Şekil 8. Sinir Ağları modülü başlatma paneli

Bu iletişim kutusunun Hızlı sekmesinde, Sorun Türü bölümünde karşılaştığımız sorun sınıfının seçilmesi önerilmektedir. Amacımız çok değişkenli bir ilişki veya başka bir deyişle çok değişkenli doğrusal olmayan regresyon oluşturmaktır. Bu, Sorun Türü bölümünde Regresyon'u belirtmeniz gerektiği anlamına gelir.

Görev sınıfına karar verdikten sonra Analizi gerçekleştirmek için değişkenleri belirlemek gerekir. Değişkenleri seçmek için Değişkenler düğmesini kullanın. Bu düğmeye tıkladığınızda Giriş (bağımsız), çıkış (bağımlı) ve seçici değişkenleri seç iletişim kutusu görüntülenir. Bu iletişim kutusunda iki değişken listesi belirtmeniz gerekir. Bizim olgumuzda sürekli çıktılar; hastaneye yatış ACEI/ARB, hastaneye yatış BAB, hastaneye yatış BKK, diüretiklerle hastaneye yatış ve merkezi etkili ilaçların hastaneye yatışı değişkenleridir. Örneğimizde sürekli girişler 1'den 61'e kadar başlangıç ​​parametreleridir.

Şekil 9. Analiz için değişkenlerin seçilmesi

Analiz seç bölümünde iki seçenek mevcuttur: Akıllı Sorun Çözücü ve Özel Ağ Tasarımcısı. Sinir ağı parametrelerini otomatik olarak seçmek için varsayılan olarak ayarlanan ilk seçenek gereklidir. Analize devam etmek için Tamam'a tıklayın.

Bir sonraki adımda Akıllı Sorun Çözücü kurulumu iletişim kutusu görünür.

Hızlı bölüm, sinir ağı arama algoritmasının yürütme süresinden sorumlu olan bir grup seçeneği içerir. Bu sekmede, test edilmesi gereken ağ sayısını belirtmeniz (formüle edilen sorunu çözmeye uygun olup olmadıklarını öğrenmek için) ve ayrıca bu ağlardan kaçının nihai rapora dahil edileceğini belirtmeniz gerekir.

Test edilen ağlar bölümünde 100, tutulan ağlar - 10'u belirtiyoruz (Şekil 10)

Türler sekmesi, test sürecinde hangi tür sinir ağlarının kullanılacağını belirtir. Doğrusal olmayan regresyon sorununu çözmek için çok katmanlı bir algılayıcı en uygunudur, bu nedenle Şekil 11'de işaretlenen ağları seçiyoruz.

Şekil 10. Test edilecek ağ sayısını ayarlama

Şekil 11. Bir ağ mimarisi seçme

Daha sonra, arama ve test sürecini organize etmek için sinir ağının her katmanındaki nöron sayısındaki değişiklik aralığını belirtmek gerekir. Bu görev için önerilen değerler Şekil 12'de gösterilmektedir.

Şekil 12. Eğitim, kontrol ve test örneklerinin boyutlarının gösterimi

Şimdi tüm eğitim parametrelerini ayarladıktan sonra ağ arama prosedürünü başlatmak için Tamam'a tıklamanız gerekir.

Arama algoritmasının durumu IPS Eğitimi Devam Ediyor iletişim kutusunda görüntülenir.

Uygun bir sinir ağı için arama algoritması çalışırken, bu iletişim kutusu, algoritmanın yürütme süresi ve ayrıca dikkate alınan sinir ağları hakkında bilgi sağlar. Arama algoritmasının amacı, bir dizi sinir ağı konfigürasyonunu sıralamak ve ağ çıkışındaki minimum hata ve maksimum performans açısından en iyi olanı seçmektir.

Makaleyi beğendin mi? Paylaş
Bu makaleyi yazdır
Tepe