Читайте также:
|
|
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; просмотров: 31 | Нарушение авторских прав