Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 41
Текст из файла (страница 41)
откроем созданный файл. С созданной сетью можно теперь выполнять все приемы редактирования и исследования. 6.9.4. Впечатления от работы с пакетом Что можно сказать про эффективность использования нечетких нейронных сетей и АМЕ)З-редактора? В данном случае используется только один алгоритм нечеткого вывода — Зц9епо (нулевого или первого порядков), может быть задана только одна выходная переменная, всем правилам приписывается один и тот же единичный вес.
Кроме того, возникают значительные проблемы при количестве входных переменных большим, чем 5-6. Несомненными достоинствами пакета является практически полная автоматизация процесса создания нечеткой нейронной сети, возможность просмотра сформированных правил и придания им лингвистической интерпретации, что позволяет рассматривать аппарат нечетких нейронных сетей как средство извлечения знаний из баз данных и существенно отличает данные сети от классических нейронных. Рекомендуемые области применения: построение аппроксиматоров зависимостей по экспериментальным данным, систем классификации, извлечение знаний. бЛО.
Совсем все просто Хотелось бы, чтобы после прочтения данной главы у читателя сложилось бы совершенно правильное впечатление об относительной легкости работы с программами — нейроимитаторами. Если такую задачу авторам удалось решить, значит, их труд не пропал даром. Часть!И ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Глава 6 ПРИМЕРЫ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Рассмотрим несколько конкретных примеров применения аппарата искусственных нейронных сетей для решения популярных задач классификации, прогнозирования, аппроксимации, сжатия информации, построения экспертных систем и некоторых других 6.1.
Прогнозирование результатов выборов Данная задача стала классической для демонстрации работы нейросетевого классификатора. Она компактна, значения всех обучающих параметров представляются в форме «Да-Нет», основана на реальных данных и дает хороший результат. Содержательная постановка задачи взята из книги. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере.
— Новосибирск. Наука, 1996 (см. список литературы). 266 6.1.'1. Содержательная постановка задачи Рассмотрим использование нейроимитатора на примере предсказания итогов выборов президента США. На первый взгляд кажется, что итоги выборов зависит только от личностей кандидатов и от их программ. Однако и программы, и образы кандидатов создаются профессионалами. Оказывается, что если предвыборные компании всех кандидатов отработаны добросовестно и все участники сделали все возможное, то выбор практически предопределяется лишь объективными признаками сложившейся накануне выборов ситуации в стране.
А кто победит, можно решать на основании ответов на следующие вопросы. 1) Правящая партия у власти более 1 срока? 2) Правящая партия получила больше 50 % на прошлых выборах? 3) В год выборов была активна третья партия? 4) Была серьезная конкуренция при выдвижении кандидата от правящей партии? 5) Кандидат от правящей партии был президентом в год выборов? 6) Был ли год выборов временем спада или депрессии? 7) Был ли рост среднего национального валового продукта на душу населения более 2,1О7»? 8) Произвел ли правящий президент существенные изменения в политике? 9) Во время правления были существенные социальные волнения? 10) Администрация правящей партии виновна в серьезной ошибке или скандале? 11) Кандидат правящей партии — национальный герой? 12) Кандидат оппозиционной партии — национальный герой? Обучающая выборка состоит из 31 примера, каждый из которых представляет ситуацию выборов, начиная с 1864 г.
(табл. 6 1), где ответы «Да» обозначены единицами, а ответы «Нет» — нулями. Класс 1 означает, что в данной ситуации был избран кандидат правящей партии, класс 2 — кандидат оппозиционной партии. После обучения сеть должна предсказать ответ для ситуации, отраженной табл. 6.2, которая не входила в обучающую выборку (когда производились эксперименты, результат выборов 1992 г. еще не был известен).
267 Таблица 6.1 ования ез льтата выбо ов п езидента США Об ающаи выбо ка для п огнози Об чающие па амет ы Класс Ме Гад 12 10 4 5 1 2 1864 1868 1872 1880 1888 1900 1904 1901 1916 1924 10 1921 1936 12 1940 14 1944 1948 15 1956 1964 1972 18 1860 872 20 21 1884 1892 22 23 1896 1912 25 1920 26 1932 1952 28 1960 29 1968 30 1976 1980 31 Таблица 6 2 Д. Б ш — Б. Клинтон П име выба ной сит ации в СШАв 1992 г. Да Нет Да Нет Нет Нет Да Да Да 1992 32 Да Да Ответ неизвестен.
288 У Х1 Х2 ХЭ Х4 Л5 Хб Х7 ХЗ Х9 Х10 Х11 Л12 1 0 0 0 0 1 0 0 3 1 0 0 0 1 1 1 0 0 0 0 3 $3 0 3 О $1 1 0 0 1 0 1 О О 0 3 0 1 1 О О $0 0 1 3 0 0 0 0 1 О 0 О 0 3 0 0 0 0 0 О О $0 1 0 0 1 0 1 0 0 0 0 1 3 1 1 0 0 1 0 0 0 0 0 1 О 1 3 1 0 0 0 0 0 1 0 0 0 1 1 О 0 0 0 1 0 0 1 О 0 0 0 3 0 3 3 О 1 О 1 1 О 1 0 0 1 $1 0 0 0 О 1 0 0 0 0 О 1 0 1 0 0 1 1 3 3 0 0 3 О 1 1 1 0 0 1 1 1 3 0 О 3 0 ! 3 1 0 0 1 0 1 1 О 0 3 0 1 3 1 1 О 1 0 0 1 0 0 0 0 1 О $0 0 0 0 0 0 0 0 1 0 1 О 0 О 0 1 0 3 0 0 О О О 1 О О О О 1 О 1 0 1 0 0 0 2 3 О 1 3 0 0 1 О 1 0 0 О 2 1 1 0 1 0 1 0 0 0 1 0 О 2 3 0 0 3 О 0 1 0 3 0 1 0 2 0 0 1 0 1 0 0 $3 0 0 1 2 0 0 0 1 0 3 0 1 3 0 1 О 2 3 3 1 1 1 О 1 0 0 0 О 0 2 ! 0 0 3 0 О 0 $3 0 0 0 2 1 3 0 0 1 1 О 0 3 О 0 2 $0 0 ! 0 О 3 0 0 1 0 2 $ ! 0 0 0 1 0 О 0 0 0 2 1 1 1 1 О 0 3 $1 0 0 0 2 1 $0 1 1 0 О 0 0 1 0 0 2 0 0 1 1 ! 1 0 0 0 1 0 1 ° ° " е ' Ф а ' 4 ° Ю В ° - - ° ° .~- = ° ° - °- ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° - ° ° и ° ° а- аа- - ° * ° ° ° ° ° ° ° ° ° ° Ф ° $ ° ° ° " ° ° 11 ° ° ° ° ° ° ° ° ° ° ° ° ° й ° ° ° ° ° Ф ° ° 1 ° ° ° ° ° ° - ° ° ° а .
а Таблица б 4 Исиодные данные для п огноаа Х4 Хб Хб ХТ О 1 1 1 1 1 О 1 1 1 О О 2) Задание топологии нейронной сети Будем использовать нейронную сеть с одним скрытым слоем Очевидно, число входных нейронов — 12, число выходных нейронов — 1. Для определения числа нейронов в скрытом слое воспользуемся рекомендациями, приведенными в разд 1 3 Использование формулы (1.5) при й„= 12, й„= 1, й, = 31 дает минимальное значение для й„— 5, и максимальное — 51, из формулы (1.6) следует, что число нейронов в скрытом слое должно быть от 1 до 4 Из выражения (1.8) видно, что это число не должно превышать 2,5.
На основании этих результатов примем число нейронов в скрытом слое равным 2. 3) Обучение нейронной сети. Используя нейропакет НейроПро и подготовленный файл Выборььоо(, действуя в соответствии с правилами, изложенными в разд. 5.2, создадим нейронную сеть заданной топологии, проведем ее обучение и определим наиболее значащие признаки. Полученный результат отражен на рис.
6.1 и несколько отличается от приведенного в цитированном источнике. В нашем исследовании получилось, что наибольшее влияние на исход выборов оказывают ответы на вопросы 4, 8, 3 и 9. Сохраним сеть и проект под именем «Выборы»; закроем программу. 4) Опрос обученной сети. Вновь запустим программу НейроПро, откроем сохраненный проект и файл Прогноз.оо(. Выберем режим тестирования сети.
Полученный при этом результат (в нашем случае — 2,01401, т. е 2 при округлении) говорит о том, что на 1992 год прогнозируется победа кандидата от оппозиционной партии, т. е. Б. Клинтона. Как известно, так и произошло. Отметим, что весьма близкий выход сети к числу 2 говорит, пожалуй, что сделанному прогнозу следовало доверять с большой степенью уверенности К сожалению, крайне неясно, можно ли использовать аналогичный нейросетевой подход для прогноза выборов в условиях пока еще очень нестабильной России .... 270 Знанннос! Сигнал Яф1~!~! ° $!ав'"555! 5 ° Щга! 55 Х5 х5 ° П!Щг" ! ° Щ$5555 х!о Х! ! Ы' Рис б ! Информативность параметров при выборе президента 271 6.2. Анализ данных социологического опроса Постановка задачи.
Исходные данные представляют собой материалы социологического опроса, проведенного в 1999 г. анке- тированием 1500 респондентов одного из регионов России по 14 вопросам (признакам), отражающим социальный статус опраши- ваемого: х! — возраст, лет; х, — пол; хз — образование; х4 — базовая профессия; хв — национальность, х, — самооценка социального слоя; хт — отношение к религии, хв — род занятий, х, — основное место работы; х„— сфера деятельности; х„— средний доход члена семьи, руб; х„, — самооценка уровня доходов; х,з — тип населенного пункта, где проживает опрашиваемый; хзи — политическая ориентация Среди перечисленных только два признака (х, и х„) имеют количественный характер, три признака (х„, х» и х,) — чисто качественный, остальные — качественный, выраженный в псевдоколичественной форме.
Заметим, что признак хг« (политическая ориентация) представляется здесь «выходной» или «основной» следственной переменной, определяемой или формируемой другими (причинными) переменными хь ..., хо . Действительно, можно предположить, что уровень доходов в семье формирует политическую ориентацию, обратное вряд ли имеет место, хотя и может иметь место; аналогичные соображения можно провести и по другим признакам. В связи с этим, сформулируем следующую задачу исследований: выявить причинно-следственные связи между политической ориентацией субъекгпа (х„) и признаками, характеризующими вго социальное положение (хь ..., х„).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
