Тестирование на отдельном наблюдении

Иногда необходимо протестировать сеть на отдельном наблюдении, не принадлежащем никакому набору данных. Причины для этого могут быть такие:

• Обученная сеть используется для построения прогнозов на новых данных с неизвестными выходными значениями.

• Вы хотите поэкспериментировать с сетью, например, проверить чув­ствительность результата к малым изменениям в данных.

Тестирование заданных пользователем наблюдений проводится из окна Прогнать отдельное наблюдение - Run One-off Case, доступ к которому осуществляется через пункт Отдельное - One-off... меню Запуск -Run.

Для этого нужно ввести входные значения в таблицу, расположенную в верхней части окна, и нажать кнопку Запуск - Run, результаты будут выведены в нижнюю таблицу.

Попробуйте, например, немного менять значения исходных данных зада­чи «исключающего или», например, задать в какой-нибудь строке числа 0,1 и 0,9. Как правило, нейронные сети неплохо работают при наличии помех. При малых возмущениях исходных значений результаты будут близки к ожидаемым.

Проведение классификации

Введение

Решение задач классификации - одна из наиболее важных областей при­менения нейронных сетей. В таких задачах входные данные представляют собой результаты измерений некоторых характеристик объекта. Цель со­стоит в том, чтобы определить, к какому из нескольких заданных классов принадлежит этот объект. Обычно классов бывает ровно два (или один, и наблюдение может либо принадлежать, либо не принадлежать ему). Зада­ча «исключающего или» - пример задачи классификации с двумя класса­ми. Наблюдение может принадлежать или не принадлежать классу Хоr.

В пакете ST Neural Networks можно работать с так называемыми номи­нальными переменными (или атрибутами), то есть с переменными, кото­рые могут принимать конечное число значений, представленных в виде строк текста. Простейший пример - переменная Пол = {Муж, Жен}, это номинальная переменная с двумя возможными значениями (состояния­ми). В задаче «исключающего или» выходная переменная как раз должна быть номинальной переменной с двумя состояниями: Xor = {False, True}.

Вописываемой программе номинальными могут быть как входные, так и выходные переменные, и имеется много способов преобразования содер­жащейся в них нечисловой информации к виду, понятному нейронной сети, и, наоборот, способов интерпретировать числовой выход сети как номинальную переменную. Поддержка номинальных переменных - орга­ническая часть системы пре/пост-процессирования пакета ST Neural Networks.

Проиллюстрируем сказанное, видоизменив пример Хоr таким образом, чтобы выходом была номинальная переменная.

Дата добавления: 2015-11-30