STATISTICA o‘rnini bosuvchi muqobillar. Neyron tarmoqlar

STATISTICA Avtomatlashtirilgan neyron tarmoqlari — rus tiliga toʻliq tarjima qilingan dunyodagi yagona neyron tarmoq dasturiy mahsuloti!

Neyron tarmoq metodologiyalari fundamental tadqiqotlardan ma'lumotlarni tahlil qilish, biznes, sanoat va boshqalarning amaliy qo'llanilishigacha bo'lgan turli sohalarda tobora keng tarqalmoqda.

bozordagi eng ilg'or va eng samarali neyron tarmoq mahsulotlaridan biridir. U ko'plab noyob imtiyozlar va boy xususiyatlarni taklif etadi. Masalan, neyron tarmoqlarni avtomatik qidirish vositasining noyob imkoniyatlari, , tizimdan nafaqat neyron tarmoqlar bo'yicha mutaxassislar, balki neyron tarmoqlarni hisoblash sohasida yangi boshlanuvchilar tomonidan ham foydalanishga ruxsat bering.

Foydalanishning qanday afzalliklari bor ?

Oldindan va keyingi ishlov berish, shu jumladan ma'lumotlarni tanlash, nominal kodlash, masshtablash, normallashtirish, tasniflash, regressiya va vaqt seriyalari muammolarini izohlash bilan etishmayotgan ma'lumotlarni olib tashlash;

Foydalanishning ajoyib qulayligi va tengsiz analitik quvvat; masalan, noyob avtomatik neyron tarmoqlarni qidirish vositasi Avtomatlashtirilgan neyron tarmoq (ANN) foydalanuvchini turli neyron tarmoqlarni yaratishning barcha bosqichlarida yo'naltiradi va eng yaxshisini tanlaydi (aks holda bu vazifa uzoq "sinov va xatolik" jarayoni orqali hal qilinadi va nazariyani jiddiy bilishni talab qiladi);

Eng zamonaviy, optimallashtirilgan va kuchli tarmoq o'qitish algoritmlari (shu jumladan konjugat gradient usullari, Levenberg-Marquardt algoritmi, BFGS, Kohonen algoritmi); faollashtirish va xato funktsiyalari, tarmoq murakkabligi kabi tarmoq sifatiga ta'sir qiluvchi barcha parametrlarni to'liq nazorat qilish;

Neyron tarmoqlar ansambllarini va deyarli cheksiz o'lchamdagi neyron tarmoq arxitekturasini qo'llab-quvvatlash;

Interaktiv tadqiqot tahlilini osonlashtiradigan boy grafik va statistik imkoniyatlar;

Tizim bilan to'liq integratsiya STATISTIKA; barcha natijalar, grafiklar, hisobotlar va boshqalar kuchli grafik va analitik vositalar yordamida yanada o'zgartirilishi mumkin STATISTIKA(masalan, bashorat qilingan qoldiqlarni tahlil qilish, batafsil hisobot yaratish va hokazo);

Kuchli avtomatlashtirilgan vositalar bilan uzluksiz integratsiya STATISTIKA; har qanday tahlil uchun to'liq makrolarni yozib olish; yordamida o'zingizning neyron tarmoqlaringiz tahlillari va ilovalarini yaratish STATISTIKA Visual Basic muammosi STATISTICA avtomatlashtirilgan neyron tarmoqlari COM texnologiyasini qo'llab-quvvatlaydigan har qanday dasturdan (masalan, MS Excel elektron jadvalida neyron tarmog'ini avtomatik tahlil qilish yoki C, C++, C#, Java va boshqalarda yozilgan bir nechta maxsus ilovalarni birlashtirish).

Eng mashhur tarmoq arxitekturalarining tanlovi, jumladan, ko'p qatlamli perseptronlar, radial asos funktsiyalari va o'z-o'zini tashkil etuvchi xususiyat xaritalari.
Asbob mavjud Avtomatik tarmoq qidiruvi, bu sizga turli xil neyron tarmoqlari arxitekturalarini avtomatik ravishda qurish va ularning murakkabligini tartibga solish imkonini beradi.
Eng yaxshi neyron tarmoqlarni saqlash.

Har xil turdagi statistik tahlil va bashoratli modellarni, jumladan, regressiya, tasniflash, uzluksiz va kategorik bog'liq o'zgaruvchiga ega vaqt seriyalarini, o'lchamlarni kamaytirish va vizualizatsiya qilish uchun klaster tahlilini qo'llab-quvvatlash.

Bir nechta modellarni yuklash va tahlil qilishni qo'llab-quvvatlaydi.

C, C++, C#, Java, PMML (Predictive Model Markup Language) tillarida manba kodini yaratish uchun ixtiyoriy qobiliyat, bu o'z ilovalaringizni yaratish uchun tashqi muhitga osongina integratsiya qilinadi.

Kod generatori

Kod generatori STATISTICA avtomatlashtirilgan neyron tarmoqlari C, Java va PMML (Predictive Model Markup Language) tillarida neyron tarmoq modellari uchun manba tizim dastur kodini yaratishi mumkin. Kod generatori tizimga qo'shimcha dastur hisoblanadi STATISTICA avtomatlashtirilgan neyron tarmoqlari, bu foydalanuvchilarga neyron tarmoq tahlili asosida modellarning manba kodi bilan C yoki Java faylini yaratish va uni mustaqil tashqi ilovalarga integratsiya qilish imkonini beradi.

Kod generatori talab qiladi STATISTICA avtomatlashtirilgan neyron tarmoqlari.

Neyron tarmoq manba kodining versiyasini yaratadi (C, C++, C# yoki Java-da fayl sifatida).

Keyin C yoki Java kod fayli tashqi dasturlarga joylashtirilishi mumkin.

STATISTIKAAvtomatlashtirilgan Neyron tarmoqlari neyron tarmoqlarini hisoblashda

Neyron tarmoqlardan foydalanish neyrotarmoq usullari yordamida ma'lumotlarni qayta ishlashdan ko'proq narsani o'z ichiga oladi.

STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) juda murakkab vazifalar bilan ishlash uchun turli xil funksiyalarni taqdim etadi, jumladan, nafaqat oxirgi Neyron tarmoqlari arxitekturasi Va Algoritmlarni o'rganish, shuningdek, turli xil faollashtirish va xato funktsiyalarini sanab o'tish qobiliyatiga ega neyron tarmoq arxitekturasini qurishda yangi yondashuvlar, bu natijalarni sharhlashni osonlashtiradi. Bundan tashqari, dasturiy ta'minot ishlab chiquvchilari va dastur sozlamalari bilan tajriba o'tkazayotgan foydalanuvchilar ma'lum tajribalarni oddiy va intuitiv interfeysda o'tkazgandan so'ng haqiqatni qadrlashadi. STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN),neyron tarmoq tahlillari maxsus ilovada birlashtirilishi mumkin. Bunga MAQOMOTI funksiyalar kutubxonasi yordamida ham erishish mumkin STATISTIKA, bu dasturning barcha funksiyalarini to'liq aks ettiradi yoki dastur tomonidan yaratilgan va to'liq o'qitilgan neyron tarmog'ini ishga tushirishga yordam beradigan C/C++ kodidan foydalanish.

Modul STATISTICA avtomatlashtirilgan neyron tarmoqlari tizimi bilan to‘liq integratsiyalashgan STATISTIKA Shunday qilib, tahlil qilish uchun ma'lumotlarni tahrirlash (tayyorlash) vositalarining katta tanlovi (o'zgartirishlar, kuzatishlarni tanlash shartlari, ma'lumotlarni tekshirish vositalari va boshqalar) mavjud.

Barcha testlar kabi STATISTIKA, dastur o'z joyida ishlov berish vositalaridan foydalangan holda masofaviy ma'lumotlar bazasiga "biriktirilishi" yoki jonli ma'lumotlarga ulanishi mumkin, shunda modellar har safar ma'lumotlar o'zgarganda avtomatik ravishda o'rgatiladi yoki ishga tushiriladi (masalan, bashorat qilingan qiymatlarni yoki tasnifni hisoblash uchun). .

Ma'lumotlarni masshtablash va nominal qiymatni konvertatsiya qilish

Ma'lumotlar tarmoqqa kiritilishidan oldin uni ma'lum bir tarzda tayyorlash kerak. Chiqish ma'lumotlarini to'g'ri talqin qilish bir xil darajada muhimdir. IN STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) kirish va chiqish ma'lumotlarini avtomatik ravishda masshtablash imkoniyati mavjud; Nominal qiymatlarga ega bo'lgan o'zgaruvchilar avtomatik ravishda qayta kodlanishi mumkin (masalan, Jins=(Erkak, Ayol)), shu jumladan 1-of-N kodlash usuli yordamida. STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) shuningdek, etishmayotgan ma'lumotlar bilan ishlash vositalarini o'z ichiga oladi. Vaqt seriyalarini tahlil qilish uchun maxsus ishlab chiqilgan ma'lumotlarni tayyorlash va sharhlash vositalari mavjud. Shu kabi vositalarning keng assortimenti ham joriy qilingan STATISTIKA.

Tasniflash masalalarida ishonch oraliqlarini belgilash mumkin STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) keyin u yoki bu sinfga kuzatishlarni belgilash uchun ishlatiladi. Maxsus bilan birgalikda amalga oshiriladi STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Softmax faollashtirish funktsiyasi va o'zaro entropiya xatosi funktsiyalari tasniflash muammolariga fundamental ehtimollik-nazariy yondashuvni ta'minlaydi.

Neyron tarmoq modelini, neyron tarmoqlar ansambllarini tanlash

Neyron tarmoq modellarining xilma-xilligi va o'rnatilishi kerak bo'lgan ko'plab parametrlar (tarmoq o'lchamlari, o'rganish algoritmi parametrlari va boshqalar) ba'zi foydalanuvchilarni chalkashtirib yuborishi mumkin. Ammo shuning uchun avtomatik neyron tarmoqlarni qidirish vositasi mavjud, , har qanday murakkablikdagi mos tarmoq arxitekturasini avtomatik ravishda qidirishi mumkin, quyida ko'ring. Tizimda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Amaliy muammolarni hal qilishda foydalaniladigan neyron tarmoqlarning barcha asosiy turlari amalga oshirildi, jumladan:

ko'p qatlamli perseptronlar (bevosita signal uzatiladigan tarmoqlar);

radial asosli funktsiyalarga asoslangan tarmoqlar;

o'z-o'zini tashkil Kohonen xaritalar.

Yuqoridagi arxitekturalar regressiya, tasniflash, vaqt seriyalari (uzluksiz yoki kategorik bog'liq o'zgaruvchi bilan) va klasterlash muammolarida qo'llaniladi.

Bundan tashqari, tizimda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) amalga oshirildi Tarmoq ansambllari, yuqoridagi tarmoqlarning tasodifiy (lekin muhim) kombinatsiyalaridan tashkil topgan. Ushbu yondashuv shovqinli va past o'lchamli ma'lumotlar uchun ayniqsa foydalidir.

Paketda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Foydalanuvchiga tegishli tarmoq arxitekturasini tanlashda yordam beradigan ko'plab vositalar mavjud. Tizimning statistik va grafik vositalariga butun populyatsiya uchun va individual kuzatishlar uchun gistogrammalar, matritsalar va xatolik grafiklari, toʻgʻri/notoʻgʻri tasniflash boʻyicha yakuniy maʼlumotlar va barcha muhim statistikalar, masalan, dispersiyaning tushuntirilgan nisbati avtomatik tarzda hisoblab chiqiladi.

Paketdagi ma'lumotlarni ko'rish uchun STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Tarqalish chizmalari va 3D javob sirtlari foydalanuvchiga tarmoqning "xulq-atvorini" tushunishga yordam berish uchun amalga oshiriladi.

Albatta, boshqa usullar bilan keyingi tahlil qilish uchun sanab o'tilgan manbalardan olingan har qanday ma'lumotdan foydalanishingiz mumkin. STATISTIKA, shuningdek, keyinchalik hisobotlarga kiritish yoki sozlash uchun.

STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) vazifani sinab ko'rish paytida olingan eng yaxshi tarmoq variantini avtomatik ravishda eslab qoladi va siz istalgan vaqtda unga murojaat qilishingiz mumkin. Tarmoqning foydaliligi va uning bashorat qilish qobiliyati avtomatik ravishda kuzatuvlarning maxsus test majmuasida, shuningdek, tarmoq hajmini, uning samaradorligini va noto'g'ri tasniflash narxini baholash orqali tekshiriladi. yilda amalga oshirilgan STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Avtomatik o'zaro tekshirish va vaznni tartibga solish tartib-qoidalari sizning tarmog'ingiz ma'lum bir vazifa uchun kam yoki ortiqcha murakkabligini tezda aniqlash imkonini beradi.

Paketdagi ishlashni yaxshilash uchun STATISTICA avtomatlashtirilgan neyron tarmoqlari Tarmoq konfiguratsiyasining ko'plab variantlari taqdim etilgan. Shunday qilib, regressiya muammolarida chiziqli chiqish tarmoq qatlamini yoki ehtimollik baholash va tasniflash muammolarida softmax faollashtirish funksiyasini belgilashingiz mumkin. Tizim, shuningdek, axborot nazariyasi modellari va bir qator maxsus faollashtirish funktsiyalari, jumladan yashirin va chiqish neyronlari uchun bir xil, eksponensial, giperbolik, logistik (sigmoid) va sinus funktsiyalari asosida o'zaro entropiya xatosi funktsiyalarini amalga oshiradi.

Avtomatlashtirilgan neyron tarmoq (avtomatik qidirish va turli xil neyron tarmoqlari arxitekturalarini tanlash)

Paketning bir qismi STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) avtomatik neyron tarmoqlarni qidirish vositasi, Avtomatlashtirilgan neyron tarmoq (ANN) - Avtomatlashtirilgan tarmoq qidiruvi (ANS), bu turli xil arxitektura va murakkablikdagi ko'plab neyron tarmoqlarni baholaydi va berilgan vazifa uchun eng yaxshi arxitektura tarmoqlarini tanlaydi.

Neyron tarmog'ini yaratishda evristik qidiruv yordamida tegishli o'zgaruvchilarni tanlash va tarmoq arxitekturasini optimallashtirish uchun ko'p vaqt sarflanadi. STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) bu ishni o'z zimmasiga oladi va siz uchun avtomatik ravishda evristik qidiruvni amalga oshiradi. Ushbu protsedura kirish o'lchamini, tarmoq turini, tarmoq o'lchamlarini, faollashtirish funktsiyalarini va hatto kerakli chiqish xatosi funktsiyalarini hisobga oladi.

Bu eng yaxshi tarmoq arxitekturasini avtomatik ravishda topishga imkon beruvchi murakkab usullardan foydalanganda juda samarali vositadir. Kompyuteringiz oldida soatlab o'tirish o'rniga, tizimga ruxsat bering STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) bu ishni siz uchun qiling.

Eng yaxshi tarmoq turi va arxitekturasini topish bo'yicha tajribalaringiz muvaffaqiyati tarmoqni o'rganish algoritmlarining sifati va tezligiga sezilarli darajada bog'liq. Tizimda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Bugungi kunga qadar eng yaxshi o'qitish algoritmlari amalga oshirildi.

Tizimda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Ikki tez ikkinchi tartibli algoritmlar amalga oshirildi - konjugat gradient usullari va BFGS algoritmi. Ikkinchisi juda kuchli zamonaviy nochiziqli optimallashtirish algoritmidir va mutaxassislar undan foydalanishni tavsiya etadilar. Bundan tashqari, BFGS algoritmining soddalashtirilgan versiyasi mavjud bo'lib, u kamroq xotira talab qiladi, bu tizim tomonidan kompyuterning operativ xotira imkoniyatlari ancha cheklangan bo'lsa ishlatiladi. Ushbu algoritmlar Gradient Descent kabi birinchi darajali aniqlik algoritmlariga qaraganda tezroq birlashishga va aniqroq yechim ishlab chiqarishga moyildir.

Tizimda tarmoqni o'qitishning iterativ jarayoni STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) joriy mashg'ulot xatosi va sinov majmuasida mustaqil ravishda hisoblangan xatoning avtomatik ko'rinishi bilan birga keladi va umumiy xatoning grafigi ham ko'rsatiladi. Siz istalgan vaqtda tugmani bosish orqali mashg'ulotni to'xtatishingiz mumkin. Bundan tashqari, to'xtash shartlarini belgilash mumkin, bunda mashg'ulotlar to'xtatiladi; Bunday holat, masalan, ma'lum bir xato darajasiga erishish yoki ma'lum bir o'tish soni bo'yicha sinov xatosining barqaror o'sishi bo'lishi mumkin - "davrlar" (bu tarmoqni qayta tayyorlash deb ataladigan narsani ko'rsatadi). Agar haddan tashqari o'rnatish sodir bo'lsa, foydalanuvchi e'tibor bermasligi kerak: STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) o'quv jarayonida olingan eng yaxshi tarmoq namunasini avtomatik ravishda eslab qoladi va ushbu tarmoq opsiyasiga har doim tegishli tugmani bosish orqali kirish mumkin. Tarmoqni o'qitish tugallangandan so'ng, siz uning ish sifatini alohida test to'plamida tekshirishingiz mumkin.

Tarmoq o'qitilgandan so'ng siz uning ish sifatini tekshirishingiz va uning xususiyatlarini aniqlashingiz kerak. Shu maqsadda paketda STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) Ekrandagi statistika va grafik vositalar to'plami mavjud.

Agar bir nechta modellar (tarmoqlar va ansambllar) ko'rsatilgan bo'lsa, u holda (iloji bo'lsa) STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) qiyosiy natijalarni ko'rsatadi (masalan, bitta grafikda bir nechta modellarning javob egri chiziqlari yoki bir jadvalda bir nechta modellarning bashorat qiluvchilarini taqdim etadi). Bu xususiyat bir xil ma'lumotlar to'plamida o'qitilgan turli modellarni solishtirish uchun juda foydali.

Barcha statistik ma'lumotlar foydalanuvchi ixtiyoriga ko'ra o'qitish, tekshirish va test to'plamlari yoki ularning har qanday kombinatsiyasi uchun alohida hisoblanadi.

Quyidagi umumiy statistik ma'lumotlar avtomatik ravishda hisoblanadi: tarmoqning o'rtacha kvadrat xatosi, tasniflash muammolari uchun chalkashlik matritsasi (bu erda to'g'ri va noto'g'ri tasniflashning barcha holatlari jamlangan) va regressiya muammolari uchun korrelyatsiya. Kohonen tarmog'ida Topologik xarita oynasi mavjud bo'lib, unda siz tarmoq elementlarining faollashuvini vizual tarzda kuzatishingiz mumkin.

Tayyor echimlar (foydalanuvchi maxsus ilovalar STATISTICA avtomatlashtirilgan neyron tarmoqlari)

Oddiy va qulay tizim interfeysi STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) muammolaringizni hal qilish uchun neyron tarmoq ilovalarini tezda yaratishga imkon beradi.

Vaziyat bo'lishi mumkinki, bu echimlarni mavjud tizimga integratsiya qilish, masalan, ularni kengroq hisoblash muhitining bir qismiga aylantirish (bular alohida ishlab chiqilgan va korporativ hisoblash tizimiga kiritilgan protseduralar bo'lishi mumkin).

O'qitilgan neyron tarmoqlar yangi ma'lumotlar to'plamlariga (bashorat uchun) bir necha usulda qo'llanilishi mumkin: Siz o'qitilgan tarmoqlarni saqlashingiz va keyin ularni yangi ma'lumotlar to'plamiga qo'llashingiz mumkin (bashorat, tasniflash yoki prognoz qilish uchun); Siz C (C++, C#) yoki Visual Basic-da avtomatik ravishda dastur kodini yaratish uchun kod generatoridan foydalanishingiz mumkin va undan so'ng har qanday Visual Basic yoki C++ (C#) dasturlash muhitida yangi ma'lumotlarni bashorat qilish uchun foydalanishingiz mumkin, ya'ni to'liq o'qitilgan neyron tarmoqni o'z ichiga o'rnatishingiz mumkin. ilova. Xulosa qilib aytganda, tizimning barcha funktsiyalari STATISTIKA, shu jumladan STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN), boshqa ilovalarda (masalan, Java, MS Excel, C#, VB.NET va boshqalar) MAQOMOTI ob'ektlari (Component Object Model) sifatida ishlatilishi mumkin. Masalan, yordamida yaratilgan avtomatlashtirilgan tahlilni amalga oshirishingiz mumkin STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) MS Excel jadvallarida.

O'rganish algoritmlari ro'yxati

Gradient tushishi

Konjugat gradientlari

Kohonen mashg'ulotlari

Radial asosli funktsional tarmoq uchun K-Means usuli

Tarmoq hajmi cheklovlari

Neyron tarmoq deyarli har qanday hajmda bo'lishi mumkin (ya'ni, uning o'lchamlari haqiqatda zarur va oqilona bo'lganidan ko'p marta kattaroq olinishi mumkin); ko'p qatlamli perseptronlar tarmog'i uchun neyronlarning bitta yashirin qatlamiga ruxsat beriladi. Aslida, har qanday amaliy vazifalar uchun dastur faqat kompyuterning apparat imkoniyatlari bilan cheklangan.

elektron qo'llanma

Tizimning bir qismi sifatida STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) neyron tarmoqlari bilan toʻliq va aniq tanishtiruvchi, shuningdek, misollar bilan taʼminlangan yaxshi tasvirlangan darslik mavjud. Batafsil, kontekstga sezgir yordam tizimi har qanday dialog oynasida mavjud.

Manba kod generatori

Manba kod ishlab chiqaruvchisi qo'shimcha mahsulot bo'lib, foydalanuvchilarga tizim asosida o'z ilovalarini osongina yaratish imkonini beradi STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN). Ushbu qo'shimcha mahsulot neyron tarmoq modelining manba tizim kodini yaratadi (C, C++, C# yoki Java-dagi fayl sifatida), uni alohida kompilyatsiya qilish va bepul tarqatish uchun dasturingizga integratsiya qilish mumkin. Ushbu mahsulot korporativ tizimlar ishlab chiquvchilari, shuningdek, yaratilgan yuqori darajada optimallashtirilgan protseduralarni o'zgartirishi kerak bo'lgan foydalanuvchilar uchun maxsus ishlab chiqilgan. STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN), murakkab tahliliy muammolarni hal qilish uchun tashqi ilovalarga. (Shuni ta'kidlash kerakki, ruxsat olish uchun foydalanuvchilar saytlar xodimlarini yaratilgan kod yordamida dasturlarni tarqatish to'g'risida xabardor qilishlari kerak).

STATISTICA da uzluksiz prognozlash muammosi regressiya muammosi sifatida taqdim etiladi. Ushbu muammo kontekstida neyron tarmoq chiziqli bo'lmagan funktsiya sifatida qaraladi, uning murakkabligi "yarim parametrik" boshqariladi - tarmoqdagi elementlarning soni yechimning murakkabligiga ta'sir qiladi, ammo, albatta, tahlilchi regressiya funktsiyasining aniq shaklini ko'ra olmaydi.

Atmosferaga qo'rg'oshin emissiyasini o'tadigan transportning soni va turiga qarab hisoblaydigan neyron tarmog'ini qurish talab etiladi. Ma'lumotlar Lead.xls faylida saqlanadi.

Statistica paketida Svinets.xls faylini oching. Faylni ochish oynasi paydo bo'ladi.

Guruch. 4. 33. Import oynasi.

Siz "Tanlangan varaqni import qilish" opsiyasini tanlashingiz va ma'lumotlar varag'i nomini tanlashingiz kerak:

Guruch. 4. 34. Statistica paketiga import qilish uchun Excel varag'ini tanlash.

Keyingi oynada, qoida tariqasida, avtomatik ravishda aniqlanadi va ko'rsatiladigan haqiqiy ma'lumotlar parametrlarini ko'rsatishingiz kerak (oxirgi uchta katakchadan tashqari).

Guruch. 4. 35. Import maydonini sozlash.

Shundan so'ng, import qilingan ma'lumotlar oynada ko'rsatiladi.

Guruch. 4. 36. Natijalarni import qilish.

Neyron tarmoqlar yordamida tahlil paketini ishga tushiring. Buning uchun "Tahlil" menyusidan "Neyron tarmoqlar" ni tanlang.

Guruch. 4. 37. Ma’lumotlarni qayta ishlash usulini tanlash – “neyron tarmoq”.

Shundan so'ng STATISTICA Neyron Networks to'plami oynasi paydo bo'ladi:

Guruch. 4. 38. “Neyron tarmoqlar” tahlilini boshlash oynasi.

"Tezkor" yorlig'iga o'ting, u erda siz vazifa turini - Regressiyani va vositani - Tarmoq dizaynerini o'rnatishingiz kerak.

Guruch. 4. 39. Neyron tarmoq dizaynerini ishga tushirish.

Keyinchalik, "OK" tugmasini bosish orqali siz chiqish (bog'liq) va kirish (mustaqil) o'zgaruvchilarni tanlash rejimiga o'tasiz. Biz birinchisi sifatida "Qo'rg'oshin" ni, oxirgisi esa barcha toifadagi avtomobillar sonini tanlaymiz. "Yo'q" va "Ko'cha" ustunlari foydalanilmaydi.

Guruch. 4. 40. Neyron tarmoq uchun kirish va chiqish ma’lumotlarini tanlash.

"Ok" tugmasini bosish orqali siz "Tezkor" yorlig'iga qaytasiz. Keyin yana "Ok" tugmasini bosish orqali siz neyron tarmog'ini shakllantirish oynasiga o'tasiz. "Tez" yorlig'ida siz tarmoq turini tanlashingiz kerak - ko'p qatlamli perseptron,

Guruch. 4. 41. Neyron tarmoq turini tanlash.

va "Elementlar" yorlig'ida siz kerakli qatlamlar sonini, har biridagi neyronlar sonini, shuningdek faollashtirish funktsiyasi turini belgilashingiz mumkin:

Guruch. 4. 42. Qatlamlar soni va neyronlarning turlarini o'rnatish.

Guruch. 4. 43. Neyron tarmoqni o'qitish metodini tanlash.

Bu erda "Namunalar" tugmasini bosish orqali siz o'qitish, nazorat qilish va sinov misollari sonini belgilashingiz mumkin. Agar siz test va nazorat misollari sonini nolga qo'ysangiz, tarmoq barcha misollar yordamida o'qitiladi:

Guruch. 4. 44. O'qitish va sinovdan o'tkazish uchun ma'lumotlarni aniqlang.

Asosiy trening oynasiga qaytib, siz "Foydalanuvchi" tugmasini bosishingiz va "Interaktiv" yorlig'iga o'tishingiz, o'quv jarayonini grafik shaklida aks ettirishni so'rashingiz mumkin:

Guruch. 4. 45. O’quv jarayonini ko’rsatish uchun grafik turini ko’rsatish.

Nihoyat, "OK" tugmasini bosish orqali siz o'quv jarayonini boshlaysiz, uning natijasi grafikda ko'rsatiladi:

Guruch. 4. 46. Neyron tarmoqni o'rgatish.

"Ok" tugmasini bosish orqali siz natijalar oynasiga o'tasiz, u erda oyna yorliqlari bo'ylab harakatlanish orqali yaratilgan tarmoqning turli xususiyatlarini o'rganishingiz mumkin:

Guruch. 4. 47. Neyron tarmoqlarini modellashtirish natijalari.

Masalan, "Kengaytirilgan" yorlig'ida "Tarmoq arxitekturasi" tugmasi mavjud bo'lib, uni bosish orqali siz qurilgan tarmoq topologiyasini ko'rishingiz mumkin:

Guruch. 4. 48. Tuzilgan neyron tarmoq ko'rinishi.

shuningdek, tarmoqqa yangi dastlabki ma'lumotlarni berishingiz va allaqachon o'qitilgan tarmoqdan javob olishingiz mumkin bo'lgan "Foydalanuvchi kuzatuvlari" tugmasi.

Ma'lumotlarni tahlil qilishda neyrokompyuter va statistika tillari o'rtasidagi o'xshashlik va farqlar qanday? Keling, oddiy misolni ko'rib chiqaylik.

Bizda bor deb faraz qilaylik kuzatishlar va eksperimental tarzda o'lchanadi N funktsional munosabatni ifodalovchi juft nuqtalar. Agar siz ushbu nuqtalar orqali eng yaxshi to'g'ri chiziqni chizishga harakat qilsangiz, bu statistika tilida noma'lum bog'liqlikni tasvirlash uchun foydalanishni anglatadi. chiziqli model

(bu erda kuzatish paytida shovqinni bildiradi), keyin tegishli muammoning echimi chiziqli regressiya kvadratik yig'indini minimallashtiradigan parametrlarning taxminiy qiymatlarini topishga qisqartiriladi. qoldiqlar.

Agar parametrlar topilsa, u holda qiymatni taxmin qilish mumkin y har qanday qiymat uchun x, ya'ni amalga oshirish interpolyatsiya Va ekstrapolyatsiya ma'lumotlar.

Xuddi shu muammoni bitta kirish va bitta kirish bilan bir qatlamli tarmoq yordamida hal qilish mumkin chiziqli chiqish neyroni. Bog'lanish vazni a va chegara b qoldiqning bir xil qiymatini minimallashtirish yo'li bilan olinishi mumkin (bu holda o'rtacha ildiz kvadrati deb ataladi) Xato) davomida trening tarmoqlar, masalan, orqaga tarqalish usuli yordamida. Neyron tarmoqning xossasi umumlashtirish keyin kirish qiymatidan chiqish qiymatini bashorat qilish uchun ishlatiladi.

25-rasm. Chiziqli regressiya va uni amalga oshiruvchi bir qavatli perseptron.

Ushbu ikki yondashuvni solishtirganda, ularning usullarini tavsiflashda statistika e'tiborni tortadi. formulalar Va tenglamalar, va neyrokompyuter uchun neyron arxitekturalarining grafik tavsifi.

1 Agar chap yarim shar formulalar va tenglamalar bilan, o'ng yarim shar esa grafik tasvirlar bilan ishlashini eslasak, statistika bilan solishtirganda buni tushunishimiz mumkin. o'ng yarim shar”neyron tarmoq yondashuvi.

Yana bir muhim farq shundaki, statistik usullar uchun tafovut qanday minimallashtirilganligi muhim emas - har holda model bir xil bo'lib qoladi, neyrokompyuter uchun esa asosiy rol o'ynaydi o'qitish usuli. Boshqacha qilib aytganda, neyron tarmoq yondashuvidan farqli o'laroq, statistik usullar uchun model parametrlarini baholash minimallashtirish usuliga bog'liq emas. Shu bilan birga, statistiklar qoldiq turidagi o'zgarishlarni ko'rib chiqadilar

Qanaqasiga modeldagi tub o'zgarishlar.

Ko'p vaqt tarmoqlarni o'qitishga sarflanadigan neyron tarmoq yondashuvidan farqli o'laroq, statistik yondashuvda bu vaqt muammoni to'liq tahlil qilishga sarflanadi. Bu sohaga xos ma'lumotlar va ma'lumotlarni tahlil qilish asosida modelni tanlash uchun statistik mutaxassislarning tajribasidan foydalanadi. Neyron tarmoqlardan foydalanish - bu universal yaqinlashtiruvchilar - odatda aprior bilimlardan foydalanmasdan amalga oshiriladi, garchi ba'zi hollarda bu juda foydali. Masalan, ko'rib chiqilayotgan chiziqli model uchun o'rtacha kvadrat xatosidan foydalanish shovqin qiymati barcha o'quv juftliklari uchun bir xil dispersiya bilan normal taqsimotga ega bo'lganda uning parametrlarining optimal bahosini olishga olib keladi. Shu bilan birga, agar bu dispersiyalarning har xil ekanligi ma'lum bo'lsa, unda foydalanish vaznli xato funktsiyalari

sezilarli darajada yaxshi parametr qiymatlarini berishi mumkin.

Ko'rib chiqilgan eng oddiy modelga qo'shimcha ravishda, biz statistikaning boshqa, ma'lum ma'noda, ekvivalent modellari va neyron tarmoq paradigmalariga misollar keltirishimiz mumkin.

Jadval 3. Shu kabi texnikalar

Xopfild tarmog'i ma'lumotlarni klasterlash va omillar tahlili bilan aniq aloqaga ega.

1 Faktor tahlili o'rganish uchun ishlatiladi tuzilmalar ma'lumotlar. Uning asosiy asosi - bunday belgilar mavjudligi haqidagi taxmin - omillar, bu to'g'ridan-to'g'ri kuzatilishi mumkin emas, lekin bir nechta kuzatilishi mumkin bo'lgan birlamchi xususiyatlar bilan baholanishi mumkin. Masalan, kabi belgilar ishlab chiqarish hajmi Va asosiy vositalarning tannarxi, kabi omilni aniqlay oladi ishlab chiqarish ko'lami. O'qitishni talab qiladigan neyron tarmoqlardan farqli o'laroq, omil tahlili faqat ma'lum miqdordagi kuzatuvlar bilan ishlashi mumkin. Garchi, printsipial jihatdan, bunday kuzatuvlar soni o'zgaruvchilar sonidan faqat bitta kattaroq bo'lishi kerak bo'lsa-da, qiymatlar sonidan kamida uch marta foydalanish tavsiya etiladi. Bu hali ham neyron tarmog'i uchun o'quv namunasi hajmidan kamroq hisoblanadi. Shu sababli, statistiklar faktor tahlilining afzalligini ta'kidlaydilar, chunki kamroq ma'lumotlardan foydalanish va shuning uchun tezroq model yaratishga olib keladi. Bundan tashqari, bu omil tahlil usullarini amalga oshirish uchun kamroq kuchli hisoblash vositalarini talab qiladi. Faktor tahlilining yana bir afzalligi shundaki, u oq quti usuli, ya'ni. butunlay ochiq va tushunarli - foydalanuvchi model nima uchun ma'lum bir natijani ishlab chiqarishini osongina tushunishi mumkin. Faktorli tahlil va Xopfild modeli o'rtasidagi bog'liqlikni kuzatishlar to'plami uchun minimal bazaviy vektorlarni eslash orqali ko'rish mumkin (xotira tasvirlari - 5-bobga qarang). Aynan shu vektorlar xotira vektorlarining turli komponentlarini birlashtiruvchi omillarning analoglari - birlamchi xarakteristikalardir.

1 Logistik regressiya moliyaviy qarorlarni qabul qilishda keng qo'llaniladigan ikkilik tasniflash usuli hisoblanadi. Bu ba'zi mustaqil o'zgaruvchilar - bashorat qiluvchilarning qiymatlariga qarab ba'zi bir hodisaning amalga oshishi (yoki amalga oshirilmasligi) ehtimolini baholashga imkon beradi: x 1,...,x N. Logistik regressiya modelida bu ehtimollik analitik shaklga ega: Pr( X) =(1+exp(-z)) -1, bu yerda z = a 0 + a 1 x 1 +...+ a N x N. Uning neyron tarmog'ining analogi, shubhasiz, chiziqli bo'lmagan chiqish neyroniga ega bo'lgan bir qatlamli perseptrondir. Moliyaviy ilovalarda bir qator sabablarga ko'ra ko'p o'zgaruvchan chiziqli regressiya va diskriminant tahlilidan ko'ra logistik regressiya afzalroqdir. Xususan, u avtomatik ravishda ehtimollik intervalga tegishli bo'lishini ta'minlaydi va bashorat qiluvchi qiymatlarni taqsimlashda kamroq cheklovlar qo'yadi. Ikkinchisi juda muhim, chunki moliyaviy ko'rsatkichlar qiymatlarini nisbatlar shaklida taqsimlash odatda normal emas va "juda egri". Neyron tarmoqlarning afzalligi shundaki, bu holat ular uchun muammo tug'dirmaydi. Bundan tashqari, neyron tarmoqlar bashorat qiluvchi qiymatlarning korrelyatsiyasiga sezgir emas, bu holda regressiya modeli parametrlarini baholash usullari ko'pincha noto'g'ri qiymatlarni beradi.

Izoh: Neyron tarmoqlar va statistika. Neyron tarmoqlar va loyqa mantiq. Neyron tarmoqlar va ekspert tizimlari. Neyron tarmoqlar va statistik fizika.

Hayvonlar quyidagilarga bo'linadi:

imperatorga tegishli,

balzamlangan,

ovlangan,

so'rg'ichlar,

sirenalar,

ajoyib,

individual itlar,

ushbu tasnifga kiritilgan

aqldan ozgandek yugurish

son-sanoqsiz,

eng yaxshi tuya juni cho'tkasi bilan bo'yalgan,

boshqalar,

gul vazasini sindirdi,

chivinlarga o'xshash masofadan.

H. L. Borxes, "Jon Uilkinsning analitik tili"

Neyrokompyuterlar boshqa fanlar va ularning usullari bilan ko'plab aloqa nuqtalariga ega. Xususan, neyron tarmoqlar nazariyasi statistik mexanika apparati va optimallashtirish nazariyasidan foydalanadi. Neyrokompyuterni qo'llash sohalari ba'zan matematik statistika, loyqa to'plamlar nazariyasi va ekspert tizimlarini qo'llash sohalari bilan bir-biriga juda mos keladi yoki deyarli mos keladi. Neyrokompyuterning ulanishlari va parallelligi nihoyatda xilma-xil bo'lib, uning universalligini ko'rsatadi. Qo'shimcha deb hisoblanishi mumkin bo'lgan ushbu ma'ruzada, chunki u biroz ko'proq matematik tayyorgarlikni talab qiladi, biz ulardan faqat eng muhimlari haqida gapiramiz.

Neyron tarmoqlar va statistika

Neyron tarmoqlar hozirda ma'lumotlarni tahlil qilish uchun muvaffaqiyatli qo'llanilayotganligi sababli ularni eski, yaxshi ishlab chiqilgan statistik usullar bilan solishtirish maqsadga muvofiqdir. Statistik adabiyotlarda siz ba'zida eng ko'p qo'llaniladigan neyron tarmoq yondashuvlari samarasiz regressiya va diskriminant modellaridan boshqa narsa emasligi haqidagi bayonotga duch kelishingiz mumkin. Biz bundan oldin ham ta'kidlagan edik ko'p qatlamli neyron tarmoqlari regressiya va tasniflash kabi muammolarni aslida hal qila oladi. Biroq, birinchidan, neyron tarmoqlar tomonidan ma'lumotlarni qayta ishlash ancha xilma-xildir - masalan, statistik analoglari bo'lmagan Hopfield tarmoqlari yoki Kohonen xususiyati xaritalari bo'yicha faol tasniflashni unutmang. Ikkinchidan, moliya va biznesda neyron tarmoqlardan foydalanish bo'yicha ko'plab tadqiqotlar ularning ilgari ishlab chiqilgan statistik usullarga nisbatan afzalliklarini aniqladi. Keling, neyron tarmoqlar va matematik statistika usullarini solishtirish natijalarini batafsil ko'rib chiqaylik.

Neyron tarmoqlar tavsif tilimi?

Ta'kidlanganidek, ba'zi statistiklarning ta'kidlashicha, ma'lumotlarni qayta ishlashga neyron tarmoq yondashuvlari shunchaki qayta kashf etilgan va qayta tuzilgan, ammo taniqli statistik tahlil usullari. Boshqacha qilib aytganda, neyrokompyuter eski bilimlarni tasvirlash uchun oddiygina yangi tildan foydalanadi. Misol tariqasida Uorren Searldan iqtibos keltiramiz:

Ko'pgina neyron tarmoq tadqiqotchilari statistika va chiziqli bo'lmagan optimallashtirish haqida kam ma'lumotga ega bo'lgan muhandislar, fiziklar, nevrologlar, psixologlar yoki kompyuter olimlaridir. Neyron tarmoq tadqiqotchilari o'nlab yillar va asrlar davomida matematik va statistik adabiyotlarda ma'lum bo'lgan usullarni doimiy ravishda qayta kashf etadilar, lekin ko'pincha bu usullar qanday ishlashini tushunolmaydilar.

Bu nuqtai nazar, birinchi qarashda, oqilona ko'rinishi mumkin. Neyron tarmoqlarning rasmiyatchiligi haqiqatan ham universal til deb da'vo qilishi mumkin. Makkaloch va Pittsning kashshof ishlarida neyron tarmoq tavsifi taklif mantiqining tavsifiga teng ekanligi bejiz emas.

Men 1961 yilgi maqolada (...) ishlab chiqqan texnikam bilan miya olimlari (...) yoki kompyuter olimlari menga bergan barcha savollarga osonlikcha javob bera olishimni aniqladim. Ammo fizik sifatida men hamma narsani tushuntiradigan nazariya hech narsani tushuntirmasligini yaxshi bilardim: eng yaxshi holatda bu til. Eduardo Cayanello

Shuning uchun statistiklar ko'pincha o'zlariga tanish bo'lgan tushunchalarning neyron tarmoqlar nazariyasida o'xshashlari borligini aniqlashlari ajablanarli emas. Uorren Searle ushbu ikki sohada qo'llaniladigan atamalarning kichik lug'atini tuzdi.

11.1-jadval. O'xshash atamalar lug'ati

Neyron tarmoqlar	Statistik usullar.
Belgilar	o'zgaruvchilar
kirishlar	mustaqil o'zgaruvchilar
chiqadi	bashorat qilingan qiymatlar
maqsadli qiymatlar	bog'liq o'zgaruvchilar
xato	qoldiq
o'qitish, moslashish, o'z-o'zini tashkil qilish	daraja
xato funktsiyasi, Lyapunov funktsiyasi	baholash mezoni
o'quv rasmlari (juftlik)	kuzatishlar
tarmoq parametrlari: og'irliklar, pollar.	Hisoblangan parametrlar
yuqori tartibli neyronlar	o'zaro ta'sir
funktsional ulanishlar	transformatsiya
nazorat ostida o'rganish yoki geteroassotsiatsiya	regressiya va diskriminant tahlili
nazoratsiz o'rganish yoki avtomatik assotsiatsiya	ma'lumotlarni siqish
raqobatbardosh o'rganish, adaptiv vektor kvantlash	klaster tahlili
umumlashtirish	interpolyatsiya va ekstrapolyatsiya

Neyron tarmoqlar va statistika o'rtasidagi farq nima?

Ma'lumotlarni tahlil qilishda neyrokompyuter va statistika tillari o'rtasidagi o'xshashlik va farqlar qanday? Keling, oddiy misolni ko'rib chiqaylik.

Faraz qilaylik, biz kuzatishlar o'tkazdik va funksional bog'liqlikni ifodalovchi N juft nuqtani eksperimental o'lchadik. Agar biz ushbu nuqtalar orqali eng yaxshi to'g'ri chiziqni o'tkazishga harakat qilsak, bu statistika tilida noma'lum bog'liqlikni tasvirlash uchun chiziqli modeldan foydalanishni anglatadi (bu erda kuzatish paytida shovqinni bildiradi), u holda tegishli chiziqli regressiya masalasini hal qilish bo'ladi. kvadratik qoldiqlar yig'indisini minimallashtiradigan parametrlarning taxminiy qiymatlarini topishga qisqartiriladi.

Agar parametrlar topilsa, u holda x ning istalgan qiymati uchun y qiymatini baholash, ya'ni ma'lumotlarni interpolyatsiya qilish va ekstrapolyatsiya qilish mumkin.

Xuddi shu muammoni yordamida hal qilish mumkin bir qatlamli tarmoq bitta kirish va bitta chiziqli chiqish neyroniga ega. Ulanishning og'irligi a va chegara b ni, masalan, orqaga tarqalish usulidan foydalangan holda, tarmoqni o'qitish paytida bir xil miqdordagi qoldiqni (bu holda o'rtacha kvadrat xato deb ataladi) minimallashtirish orqali olish mumkin. Neyron tarmoqning umumlashtirish xususiyati kirish qiymatidan chiqish qiymatini bashorat qilish uchun ishlatiladi.

Guruch. 11.1.

Ushbu ikki yondashuvni solishtirganda, ularning usullarini tavsiflashda statistika formulalar va tenglamalarga murojaat qiladi, neyrokompyuter esa neyron arxitekturalarining grafik tavsifiga ishora qiladi.

Agar chap yarim shar formulalar va tenglamalar bilan, o'ng yarim shar esa grafik tasvirlar bilan ishlayotganini eslasak, statistik ma'lumotlar bilan taqqoslaganda, neyron tarmoq yondashuvining "o'ng yarim shar" tabiati yana paydo bo'lishini tushunishimiz mumkin.

Yana bir muhim farq shundaki, statistik usullar uchun tafovut qanday minimallashtirilganligi muhim emas - har holda, model bir xil bo'lib qoladi, neyrokompyuter uchun esa asosiy rol o'ynaydigan o'quv usulidir. Boshqacha qilib aytganda, neyron tarmoq yondashuvidan farqli o'laroq, statistik usullar uchun model parametrlarini baholash quyidagilarga bog'liq emas. minimallashtirish usuli. Shu bilan birga, statistiklar qoldiq turidagi o'zgarishlarni ko'rib chiqadilar

Modeldagi tub o'zgarish kabi.

Sezilarli darajada yaxshi parametr qiymatlarini berishi mumkin.

Ko'rib chiqilgan eng oddiy modelga qo'shimcha ravishda, biz statistikaning boshqa, ma'lum ma'noda, ekvivalent modellari va neyron tarmoq paradigmalariga misollar keltirishimiz mumkin.

Xopfild tarmog'i ma'lumotlarni klasterlash va omillar tahlili bilan aniq aloqaga ega.

Faktor tahlili ma'lumotlar tuzilishini o'rganish uchun ishlatiladi. Uning asosiy asosi bunday belgilarning mavjudligini taxmin qilishdir - ularni bevosita kuzatish mumkin bo'lmagan, lekin bir nechta kuzatilishi mumkin bo'lgan birlamchi belgilar bilan baholash mumkin bo'lgan omillar. Masalan, ishlab chiqarish hajmi va asosiy vositalarning tannarxi kabi xususiyatlar ishlab chiqarish ko'lami kabi omilni aniqlashi mumkin. O'qitishni talab qiladigan neyron tarmoqlardan farqli o'laroq, omil tahlili faqat ma'lum miqdordagi kuzatuvlar bilan ishlashi mumkin. Garchi, printsipial jihatdan, bunday kuzatuvlar soni o'zgaruvchilar sonidan faqat bitta kattaroq bo'lishi kerak bo'lsa-da, qiymatlar sonidan kamida uch marta foydalanish tavsiya etiladi. Bu hali ham neyron tarmog'i uchun o'quv namunasi hajmidan kamroq hisoblanadi. Shu sababli, statistiklar faktor tahlilining afzalligini ta'kidlaydilar, chunki kamroq ma'lumotlardan foydalanish va shuning uchun tezroq model yaratishga olib keladi. Bundan tashqari, bu omil tahlil usullarini amalga oshirish uchun kamroq kuchli hisoblash vositalarini talab qiladi. Faktor tahlilining yana bir afzalligi shundaki, u oq quti usuli, ya'ni. butunlay ochiq va tushunarli - foydalanuvchi model nima uchun ma'lum bir natijani ishlab chiqarishini osongina tushunishi mumkin. Faktor tahlili va Xopfild modeli o'rtasidagi bog'liqlikni vektorlarni eslab ko'rish orqali ko'rish mumkin minimal asos kuzatishlar to'plami uchun (xotira tasvirlari - 5-ma'ruzaga qarang). Aynan shu vektorlar xotira vektorlarining turli komponentlarini birlashtiruvchi omillarning analoglari - birlamchi xarakteristikalardir.

Bemorlarni kuzatishning ma'lum tarixi davomida bir qator ma'lumotlar to'plangan va STATISTICA tizimidagi jadvalda saqlanadi. Tegishli ma'lumotlar jadvali 6-rasmda ko'rsatilgan.

Shakl 6. Manba ma'lumotlar jadvalining fragmenti

Tadqiqotning maqsadi ma'lum bir boshlang'ich ma'lumotlar to'plamiga (bemorni tekshirish ma'lumotlari, test natijalari, qabul qilishdan oldin davolash) asoslanib, kasalxonada buyurilgan davolanishga asoslanib, uning prognozini yaratadigan neyron tarmoq modelini yaratishdir. davolash (kasalxonaga yotqizish qiymatlari I-APFARA, BAB, BKK, diuretiklar, markaziy ta'sir etuvchi dorilar) etarli darajada aniqlik bilan.

Muammoning chiziqli bo'lmaganligi shubhasizdir. Albatta, STATISTICA nochiziqli baholash moduli yordamida muammoni hal qilishga urinib ko'rish mumkin, ya'ni ushbu modul tomonidan taklif qilingan takrorlanuvchi protseduralardan foydalanib, funktsiya turini "o'rash" mumkin. Biroq, bu erda yechim topish tartibini sezilarli darajada kengaytiradigan bir qator muammolar mavjud. Ulardan eng muhimi o'rganilayotgan bog'liqlikning aniq shakli haqidagi gipotezani shakllantirish bo'lib, u umuman aniq emas.

Qo'shimcha tadqiqotlarsiz, aniq turdagi qaramlik haqida biror narsa aytish qiyin. Qolaversa, yana bir omilni hisobga olmadik. Umuman olganda, bunday muammoni nochiziqli baholash usullari yordamida hal qilish juda uzoq vaqt talab qilishi yoki hech narsaga olib kelmasligi mumkin. Bunday tanqidiy vaziyatlarda, bu ma'lum bo'lganda

O'zgaruvchilar o'rtasida bog'liqlik mavjud;

Munosabatlar, albatta, chiziqli emas;

Tobelikning aniq shakli haqida biror narsa deyish qiyin,

Neyron tarmoq algoritmlari yordam beradi. Keling, STATISTICA Neyron Networks modulida ushbu muammoni hal qilish yo'lini ko'rib chiqaylik.

Afsuski, muayyan muammoni hal qilish uchun qaysi neyron tarmoq topologiyasiga rioya qilish kerakligini ko'rsatadigan universal qoidalar yo'q. Shuning uchun to'g'ri tarmoqni topish uchun oqilona tartib kerak.

STATISTICA tizimining Neyron tarmoqlari moduli kerakli tarmoq konfiguratsiyasini qidirishni tashkil qiluvchi protsedurani o'z ichiga oladi. Ushbu protsedura har xil arxitekturaga ega bo'lgan ko'p sonli tarmoqlarni qurish va sinovdan o'tkazishdan iborat bo'lib, keyin ular orasidan berilgan muammoni hal qilish uchun eng mos keladigan tarmoqni tanlashdan iborat. Ushbu vosita aqlli muammolarni hal qiluvchi deb ataladi. Neyron tarmoqlar modulini ishga tushirish uchun STATISTICA - Statistika tizimining bosh menyusidagi xuddi shu nomdagi buyruqdan foydalanish kerak. (7-rasm)

Rasm 7. Neyron tarmoqlar modulini ishga tushirish

Quyidagi tezis juda keng tarqalgan: "neyron tarmoqlar har qanday algoritmni amalga oshirishga imkon beradigan universal tuzilmadir". Keling, ushbu bayonotga ko'r-ko'rona ishonib, taklif qilingan qaramlikni darhol "ushlaydigan" neyron tarmog'ini qurishga harakat qilaylik (dastlabki tadqiqot tahlilisiz).

Zamonaviy ilm-fan tomonidan hali hal qilinmagan eng muhim masalalardan biri bu kerakli ko'p o'lchovli chiziqli bo'lmagan bog'liqlikni ko'paytirishga qodir bo'lgan neyron tarmog'ining tuzilishi masalasidir. Darhaqiqat, Kolmogorovning 1957 yilda isbotlagan to'liqlik teoremasi neyron tarmoq har qanday (juda muhim - uzluksiz) funktsiyani qayta ishlab chiqarishga qodirligini aytadi. Biroq, tadqiqotchiga bunday tarmoqni yaratish retseptini taklif qilmaydi. 1988 yilda bir qator mualliflar Kolmogorov teoremasini umumlashtirib, har qanday uzluksiz funktsiyani bitta yashirin qatlamli uch qavatli neyron tarmoq va istalgan darajadagi aniqlik bilan orqaga tarqalish algoritmi bilan yaqinlashtirish mumkinligini ko'rsatdi. Shunday qilib, bizning holatlarimizda, ijobiy jihat tarmoq uchta qatlam bo'lishi kerakligi haqidagi bilimdir, ammo "har qanday aniqlik darajasi" va oraliqdagi neyronlar soni o'rtasidagi munosabatlarni o'rnatadigan qoidalar yo'q. yashirin qatlam deb ataladi.

Yuqorida aytilganlarning barchasini umumlashtirib, biz ma'lum bir muammoni hal qilish uchun qaysi neyron tarmoq topologiyasiga rioya qilish kerakligini ko'rsatadigan universal qoidalar yo'qligini ta'kidlaymiz. Shuning uchun to'g'ri tarmoqni topish uchun oqilona tartib kerak.

STATISTICA tizimining Neyron tarmoqlari moduli kerakli tarmoq konfiguratsiyasini qidirishni tashkil qiluvchi noyob protsedurani o'z ichiga oladi. Ushbu vosita aqlli muammolarni hal qiluvchi deb ataladi. Keling, ushbu vositadan foydalanamiz va muammomizni hal qilishga qodir bo'lgan neyron tarmoqni qidiramiz.

Rasm 8. Neyron tarmoqlar modulining ishga tushirish paneli

Ushbu muloqot oynasining Tez yorlig'ida, Muammo turi bo'limida biz duch keladigan muammolar sinfini tanlash taklif etiladi. Bizning maqsadimiz ko'p o'zgaruvchan munosabatlarni yoki boshqacha aytganda, ko'p o'zgaruvchan chiziqli bo'lmagan regressiyani qurishdir. Bu degani, Muammo turi bo'limida siz Regressiyani belgilashingiz kerak.

Vazifalar sinfi to'g'risida qaror qabul qilib, tahlilni o'tkazish uchun o'zgaruvchilarni ko'rsatish kerak. O'zgaruvchilarni tanlash uchun "O'zgaruvchilar" tugmasidan foydalaning. Ushbu tugmani bosganingizda, kirish (mustaqil), chiqish (bog'liq) va selektor o'zgaruvchilarni tanlash dialog oynasi paydo bo'ladi. Ushbu muloqot oynasida siz ikkita o'zgaruvchi ro'yxatini ko'rsatishingiz kerak. Uzluksiz chiqishlar, bizning holatlarimizda, o'zgaruvchilar kasalxonaga qabul qilish ACEI/ARB, kasalxonaga qabul qilish BAB, kasalxonaga qabul qilish BKK, diuretiklar kasalxonasiga yotqizish va markazlashtirilgan ta'sir etuvchi dori-darmonlarni qabul qilish. Uzluksiz kirishlar, bizning misolimizda, 1 dan 61 gacha boshlang'ich parametrlar.

Shakl 9. Tahlil uchun o'zgaruvchilarni tanlash

Tahlilni tanlash bo'limida ikkita variant mavjud: muammolarni aqlli hal qiluvchi va maxsus tarmoq dizayneri. Neyron tarmoq parametrlarini avtomatik tanlash uchun sukut bo'yicha o'rnatiladigan birinchi parametr talab qilinadi. Tahlilni davom ettirish uchun OK tugmasini bosing.

Keyingi bosqichda Intelligent Problem Solver-ni sozlash dialog oynasi paydo bo'ladi.

Tez bo'limda neyron tarmog'ini qidirish algoritmining bajarilish vaqti uchun mas'ul bo'lgan variantlar guruhi mavjud. Ushbu yorliqda siz sinovdan o'tishi kerak bo'lgan tarmoqlar sonini ko'rsatishingiz kerak (ular tuzilgan muammoni hal qilish uchun mos yoki yo'qligini bilish uchun), shuningdek, yakuniy hisobotga ushbu tarmoqlarning nechtasi kiritilishini ko'rsatishingiz kerak.

Sinov qilingan tarmoqlar bo'limida biz 100 ni, saqlangan tarmoqlar - 10 ni ko'rsatamiz (10-rasm)

Turlar yorlig'i sinov jarayonida qanday turdagi neyron tarmoqlardan foydalanishni belgilaydi. Chiziqli bo'lmagan regressiya muammosini hal qilish uchun ko'p qatlamli perseptron eng mos keladi, shuning uchun biz 11-rasmda belgilangan tarmoqlarni tanlaymiz.

Shakl 10. Sinov uchun tarmoqlar sonini o'rnatish

11-rasm. Tarmoq arxitekturasini tanlash

Keyinchalik, qidiruv va sinov jarayonini tashkil qilish uchun neyron tarmog'ining har bir qatlamidagi neyronlar sonining o'zgarishlar doirasini ko'rsatish kerak. Ushbu vazifa uchun tavsiya etilgan qiymatlar 12-rasmda ko'rsatilgan.

Shakl 12. O'quv, nazorat va sinov namunalarining o'lchamlarini ko'rsatish

Endi, barcha o'quv parametrlarini o'rnatganingizdan so'ng, tarmoqni qidirish protsedurasini boshlash uchun siz OK tugmasini bosishingiz kerak.

Qidiruv algoritmining holati IPS Training In Progress dialog oynasida ko'rsatiladi.

Tegishli neyron tarmoqni qidirish algoritmi ishlayotgan vaqtda, ushbu dialog oynasi algoritmning bajarilish vaqti, shuningdek, ko'rib chiqilgan neyron tarmoqlar haqida ma'lumot beradi. Qidiruv algoritmining maqsadi bir qator neyron tarmoq konfiguratsiyasini sanab o'tish va tarmoq chiqishidagi minimal xatolik va uning maksimal ishlashi nuqtai nazaridan eng yaxshisini tanlashdir.

Sizga maqola yoqdimi? Buni ulashish

Ushbu maqolani chop eting