Боровиков В.П. - Нейронные сети (778916), страница 49
Текст из файла (страница 49)
Внутри каждой группы картинки различны. Действительно, ни один человек не может расписаться два раза абсолютно одинаковым образом: изменя- Рис. 8.9.1. «Хорошие» изображевия (первая группа) я ЯАЙРАА яФ Рис. 8.9.2. «Плохие» взображеввя (вторая групва) 2бб Неаронные се»>о.
8ТАТ!ЗТ~СА Мена! Ме>тоже ются сгартовая точка, наклон, форма отдельных элементов. Также присутствуюг нзобра>кения с «шумами». На рис, 8.9.1 и 8.9.2 приведено несколько примеров изображений для каждой группы. Вес картинки имеют разрешение 64н64 точек н глубину цвета 1 бит. Изобра>кения представим в одной двумерной таблице (рис. 8.9.3). Для этого применим простую развертку: двумерный массив значений преобразуется в одномерный. Каждому изображению соответствует одно наблюдс>ше— строка в таблице данных; элементы строки — значения соответствующих пикселей в исходном изобрамсснии. Ряс.
8.9.3. Табаева с всходвымв даввьпчв В итоге имеем таблицу с 4096 столбцами(4096 = 64 64) и 2275 наблюдениями. Всего было сгенерировано 2275 изображений: 1170 «хороших» и 1105 «плохих». Была добавлена перемснная Туре, принимающая значение 1, если подпись правильная„0 — если подпись неправильная.
В ячейках единица соответствует белому цвету, ноль — черному. Построение моцепи Преобразование исходных данных. При попытке начать анализ программа выдает сообщение о слишком большом объеме входных данных. Обучение нейронной соти на имеющихся данных требует больших вычислительных ресурсов.
Сократим количество данных. Количество наблюдений оставим без изменения. Сократим число переменных: в некоторых из них содержится лишняя информация. Чтобы понять это, обратимся к исходным изображениям. Заметим, граничные области вссгда закрашены белым цветом. Следовательно, соответствуюшнс псрсмсш>ыс будут иметь значение 1 для всех наблюдений. Такие пс- 266 Гоава 8. Примеры применении %1 .
07! !И»а:ю» аа в»ае» Ю»н!»»4'~ ! »»»ПОВН»и аь Еп»н» Он+у О»»»»»»»ес|и»».. ЕВ а»»а»»7с»а»»и и»а»б»» С7 еаю е 9»»»». аи»»»ю» а»» Ряс. 8.9.4. Коятекспуое меяю 8ТАТБТТСА ременные можно удалить. На картинках можно найти много точек, которые имеют одинаковый цвет (белый или черный). Соответствующие переменные также следует исключить из анализа. Воспользуемся следующей процедурой исключения переменных. Выделим все элементы таблицы. Нажав правую кнопку мыши, вызовем контекстное меню, в котором выберем вычисление суммы по столбцам (рис. 8.9.4). Вычислим веса переменных, визуализируем результаты. Построим гистограмму полученных значений (рис. 8.9.5).
Высокий правый столбик соответствует переменным, которые нужно искл1очить из анализа в первую очередь. Число переменных сократится примерно в два раза. Среди переменных должны быть такие, которые идеально подходят для анализа: для первой группы наблюдений они принимают значение О, для второй — 1 и наоборот. Из-за естественных искажений в картинках таких псремснных очень мало, если они вообще существуют. Заметим, что значение суммы для них составляло бы примерно 1100. Составим новую таблицу с переменными, вес которых меньше 1400. 2400 2000 1600 Я й г2ОО 8 й 800 в 400 о 1100 1300 1500 1700 !900 2100 2300 Сумма наблюдений 1-2275 Рас.
8.9.5. Гистограмма яяа суммы 267 Нейронные сети ЗТАТ!ЯТ!СА Неога! МегегогНз Рвс. 8.9.6. Выбор няструмсггта Пониогсение размерности В новой таблице 52 переменных и 2275 наблюдений. Воспользуется инструментом Понижение размерности в Нейронных сегпях. В стартовой панели БТАГ1БТ1СА Хеига1 1Четгсот1сз выберем понижение размерности и нажмем кнопку ОК (рис. 8.9.6). Рис. 8.9.7. Рсзультаруговгая таблица цоважевяя размсрвоста Анализ результатов (рис. 8.9.7) показывает, что дальнейшего исключения переменных проводить не следует. Анаппз цанных Шаг 1. Запустим Нейронные сети БТАПЗТ1СА на сокращенных данных. Шаг 2.
В области Тип задачи выберем пунктКлассификация (рис. 8.9.8), а тцоке переменные для анализа (рис. 8.9.9). В данном примере Туре — выходная переменная, остальные— входные. Заметим, все переменные являются категориальными (принимают два значения: О или 1). После того, как псременные выбраны, нажмем ОК и настроим Мастер решений. Шаг 3. Настройка Мастера решений. 268 Гпааа а. Примеры применения .ф зД ю з1 Рис. 8.9.8.
Выбор задачи и ииструмсита Рис. 8.9.9. Выбор иеремеииых В окне настроек Мастера реигений перейдем во вкладку Тип сети и выберем Трехслойный персеитроп (рис. 8.9.10). Это достаточно мощная сеть. Если результаты получатся неудовлетворительными, повторим анализ с более сложной конфигурацией сети. э ы 1н н м'ЪИ Е Рис. 8.9.10. Выбор сети 269 Нейронные селкг ЗТАТгЗТ!СА Неига! Негвогка Перейдем на вкладку Сохранить и в качестве критерия сохранения укажем Наименьшая ошибка (на контрольной выборке) (рис.
8.9.11). Сети, удовлетворяющие данному критерию, будут сохранены. Рас. 8.9.11. Вкладка Сохранить Мастера решений Рас. 8.9.12. Вкладка Сложггость Мастера решений Перейдем во вклад1гу Сложноспгь и увеличим максимальное число элементов на скрытом слое до 40 (рис.
8.9.12), Шаг 4. Запустим процедуру обучения сети нажатием ОК. Начнется про- цесс обучения. Шаг 5. Анализ результатов. По окончании обучения появится окно результатов с лучшими сетями (рис. 8.9.13). Рассмотрим характеристики сетей, приведснные в окне результатов. В данном случае нужно обратить вниманис на производительность сети на тестовой выборке — это точность классификации на тестовой выборке. 270 Гпава В. Промеры промененоп Рис.
8.9.14. Характеристики вострое>шов сети М и и оаибак -а О >б 2>б,ОССО О,ПЮО ! Рб' 3%00 >бз.ОВЙ Рис. 8.9.15. Матрица ошибок Рис. 8.9.13. Окко результатов На тестовой выборке наибольшую производительность имеет сеть с номером 15. Рассмотрим подробнее эту сеть. Нажав на кнопку Итоги моделей, получим таблицу с основными характеристиками сети (рис. 8.9.14). Из таблицы видим, что производительность сети на всех выборках велика. Число входов равно 46.
Мастер решений в ходе обучения сократил число подаваемых на вход переменных. Нажав на кнопку Олисательнь>е стдя>истики и выбрав тестовую выборку, получим таблицу с результатами классификации (рис. 8.9.15). Рассмотрим правый столбец. Он соответствует «хорошим» подписям. Видим, что все «хорошие» подписи были определены правильно (289 шт. в тестовой выборке). Рассмотрим левый столбец.
Он соответствует «плохнм» подписям. В тестовой выборке 3 + 276 = 279 соответствуюших наблюдений. Из них только три были классифицированы неверно. 11ривсдем несколько примеров подписей из тсстовой выборки (таблица). Этот предварительный результат можно использовать в дальнейших исследованиях. 271 Гпава 9 КРАТКОЕ РУКОВООСТВО В этой главе вы найдете краткое руководство по работе в системе о ТАПо Т1СА Меига1 Ие1 вогйк (Нейронные сети о ТАХХо ТХСА).
В пакете Нейронные сети о ТАТ1о ТХСА реализованы все типы нейронных сетей, которые используются в настоящее время для решения практических задач, а также самые современные алгоритмы быстрого обучения, автоматического конструирования и отбора значимых предикторов. ВАННЫЕ Введение Напомним еще раз, что нсйронные сети учатся на примерах и строят модель по обучающим данным. Обучающие данные представляют собой определенное количество наблюдений (образцов), для каждого из которых указаны значения нескольких переменных. Большинство из этих переменных будут заданы как входные, и сеть будет учиться находить соответствие меящу значениями входных и выходных переменных (чаще всего выходная переменная бывает одна), используя для этого информацию, содержащуюся в обучающих данных.
После того как сеть обучится, она может быть использована для предсказания нсизвестных выходных значений по предьявленным входным значениям. Таким образом, первый этап работы с нейронной сетью связан с формированием набора данных. Создать таблицу данных в пакете 5ИХХЯТХСА (Меига! Хе1вогйз) можно с помощью команды Создать меню Файл (или соответствующей кнопки на панели инструментов), указав число переменных и наблюдений.
Созданный в результате новый файл данных будет поначалу содержать только пустые ячейки, а значения всех переменных в нем будут установлены как пропущенные (рис. 9.1). Выбор входных/выходных переменных, а также множеств, на которые разделяются переменные, производится внутри модуля Нейронные сети 272 Гпава 9. Кравков руководсп~во Рис. 9.1 (но уже после того, как таблица с данными подготовлена). Однако обычно поступают не так: файл данных импортируется из какого-то другого пакета с помощью команды Открыть (при этом потребуется указать формат данных) или команды Внешние данные меню Файл, которая позволяет создавать сложные запросы к различным базам данных (рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
