Боровиков В.П. - Нейронные сети (778916), страница 54
Текст из файла (страница 54)
Топологическую структуру можно увидеть следующим образом. При изменении параметра Номер наблюдения указанное наблюдение прогоняется через сеть и в окне Топологическая карта графически изображаются активации элементов. При этом больший размер черного квадрата у элемента соответствует меньшему уровню активации (поскольку активация представляет собой расстояние от наблюдения до вектора весов, то чем меньше уровень активации, тем больше сходство), Квадрат, полностью залитый черным цветом, означает полное совпадение.
Выигравший элемент выделяется цветом. Гпава Я. Краткое руковояство Прогоняя обучающие наблюдения и наблюдая при этом за поведением сети, можно, как правило, выявить кластеры и определить, из каких данных эти кластеры состоят. В программе БТАПБТКА Нейронные сети сеть Кохонена всегда имеет одну номинальную выходную переменную, поэтому такая сеть предназначена для решения задач классификации. Значения выходной персменной— суть названия классов, и соответствующие метки можно присваивать отдельным элементам сети в знак того, что элемент «принадлсжит» к данному классу, Назначать классы элементам можно в интерактивном режиме в окне Топологическия карта, для этого нужно или ввести (или выбрать из списка имеющихся) имя класса в поле ввода, расположенное справа, или (что более удобно) щелкнув левой кнопкой мыши на топологической карте, указать нужный класс.
Если вы назначаетс некоторый класс в первый раз, то ука>китс опцию Измени>пь список классов и добавьте имя нового класса к списку значсннй номинальной выходной переменной, Проекция временноио ряда Сеть, предназначснная для анализа временных рядов, запускается так >ко, как и любая другая — командами Наблюдение пользователя, Запусп>ить модель, однако здесь действуют некоторые специальные правила.
Во-первых, поскольку при анализе временного ряда входные данные берутся из нескольких наблюдений, в окне Наблюдение пользователя задается номер наблюдения, соответствующий выходному значению, а входные значения берутся из прсдыдущих наблюдений, при этом несколько первых наблюдсний в наборе данных автоматически делаются неучитывасмыми. Во-вторых, в таблице ввода Значение пользователя для каждой входной переменной следует задавать несколько последовательных значений по времени (рис.
9. 17). Ряс. 9.17 295 Неаронные сети. ЗТАТ18Т!СА Нес~а! Меаесйа Сеть, построенную для анализа временного ряда, можно также запускать из специального окна Проекция временного ряда. Смысл этой процсдуры состоит в том, чтобы вычислить весь прогнозируемый ряд исходя из одного начального набора значений. Чтобы эта возможность была доступна, входные переменные сети должны быть одновременно и выходными, а значение параметра Прогноз вперед должно быть равно единице (это означает, что прогнозируется следующее значение ряда). Проекция происходит так: сначала сеть обрабатывает начальный набор значений; затем первое наблюдение из этого набора отбрасывается, а оставшиеся значения дополняются прогнозом сети, полученным на первом шаге, получается новый набор входных значений, по которому строится следующий прогноз, и т.д. Процесс проекции можно продолжать неограниченно (рис.
9.18). р .9дв Чтобы воспользоваться этим средством, нужно перейти на вкладку Дополнительно и запустить Проекция временного ряда. Начальный набор значений можно взять из текущего набора данных (в этом случае нужно указать начальный номер наблюдения и длину проекции). С помощью параметра Длина проекции задается число шагов, на которые требуется осуществить проекцию. Результат выдается на график. Если проекция производится из текущего набора данных, то для сравнения выводятся также целевые значения (пока проекция не выйдет за пределы имеющихся данных). Значения спроектированного ряда можно получить в таблице (кнопка Таблица врелтенного ряда).
Поверхность откпцка Способности человека распознавать зрительные образы далеко превосходят возможности компьютернььх алгоритмов (в том числе и нейронных сетей), но, к сожалению, и они ограничиваются лишь двух-, самое большее трехмер- 296 Гпава 9. Кра~пков рукововсп~во Рвс. 9.19 ными объектами. Хотя большинство задач, которые решаются программой БТАГ1БТ1СА Нейронные сети, являются многомсрными, иногда бывает полезно изобразить данные хотя бы в двумерных проекциях. Для этого служит график поверхности отклика, где кривая регрессии изображается в виде двумерной поверхности (рис.
9.19). На поверхности отклика изображается «уровень отклика» в зависимости от двух входных переменных. Здесь могут участвовать только числовые переменные, потому что значения только таких переменных можно менять непрерывно, получая тем самым поверхность. Можно задать диапазон изменения переменных (см. вкладку Дополнительно) (рис. 9.20).
В качестве «уровня отклика» по умолчанию выводится отклик доверительного уровня (активация выходного нейрона), который является непрерывным и поэтому может бьггь удобно визуализирован. При желании можно вместо этого вывести порядковые значения (1, 2, 3 и т.д.), соответствующие классам, и в этом случае график отклика состоит из нескольких плато, отвечающих разным классам. Рвс. 9.20 297 Нейронные сева. ЗТАТ!ЗТ!СА Несга! Несвожз Для построения поверхности две входные переменные, соответствующие осям Хи У, пробегают значения по сетке, определяемой параметрами Минимум, Максимум и Число выборок, при фиксированных значениях всех остальных переменных. Фиксированныс значения остальных переменных берутся из соответствующих полей окна Фиксированные независимые, Имеет смысл сделать эти значения пропущенными и предоставить программе возможность применить процедуру замены пропущенных значений (обычно зто подстановка срсднего значсния соответствующей переменной).
Если вы хотитс посмотреть, как поверхность отклика меняется при изменении какой-то другой переменной, введите ее новое значение в окне Фиксированные независимые. Если в поле Отклик выбрано значение Доверие, то поверхность отклика можно вращать с помощью настроек графика. Пересыпка резупыпатов в систему ВТАТ18Т!СА Как уже говорилось ранее, программа оТАТБТ1СА Нейронные сети умеет читать и записывать данные в формате файлов данных системы БТАТ1о з1СА. Числовые и графические результаты, полученные в программе БТАГ1БТ1СА Нейронные сети, также можно очень просто псревести в файлы данных, таблицы результатов или графики системы ЮТАТ1о Т1СА, для этого можно использовать обычные инструменты программной среды БТАГБТ1СА.
Ряс. 9.21 Например, если нажать кнопку Ъ, на приведенном графике (рис. 9.21) откроется графическое окно системы БТАТ1БТ1СА, в котором имеются разнообразные средства настройки графика. 298 Гпава 10 КПАССИЧЕСКИЕ МЕТОДЫ, АПЬТЕРНАТИВНЫЕ НЕЙРОННЫМ СЕТЯМ В данной главе описываются классические методы, альтернативные нейронным сетям. В реальных задачах следует испытать различные методы, чтобы получить адекватное решение.
Практика показывает, что нейронные сети дают наибольший эффект при совместном использовании с классическими методами анализа данных. Далее рассмотривается классический дискриминантный анализ, логистическая регрессия, используемая для предсказания бинарных откликов зависимой переменной, и факторный анализ, использусмый как метод классификации и сокрашения размерности. КПАССИЧЕСКИЙ ЙИСКРИМИНАНТНЫЙ АНАП ИЗ В ЗТАТ! ЗТ!СА Альтернативой нейронным сетям в задачах классификации является дискриминантный анализ.
Мы познакомимся с дикриминантным анализом на классическом примере Фишера (г(япег, 1936). В исходном файле содержатся данные о длине и ширине чашелистиков и лепестков трех типов ирисов (Ириса щетиниапого — оеГоза, Ириса разноцеегнного — (Ъ з1со1 и Ириса еирджиника — Р1)1рн1с). Целью анализа является построение решаюшего правила, относяшего цветок к одному из трех типов на основе четырех измерений: длины и ширины чашелистиков, длины и ширины лепестков. Параметры цветков являются независимыми переменными; тип ириса — зависимая переменная. Решаюшсе правило строится с помошью дискриминантных функций, основанных на линейных комбинациях независимых переменных, поэтому называется линейным дискриминантом Фишера («1кне«йнеа«ЙЬс«(ппнаге). Замечательно, что с помощью линейных комбинаций параметров можно по- Нейронные селга.
ЯТАТ!ЗТ!СА Неога! Не!во!!16 строить рсшающес правило, оптимальное в прсдположснии нормального распределения исходных величин (см. гл. 2). В принципе, все задачи дискриминантного анализа ставятся подобным образом. Если вы являетесь аналитиком в банковской сфере, вам необходимо отнести заемщика к классу 8ооа', Ьаг! на основе социально-зкономических признаков (возраст, образование, доход и др.). Если вы врач и проводите медицинскис исследования, вам нужно отнести больного к определенной группе, чтобы спланировать лечение.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
