Построение нейросетевого классификатора

· В результате кластеризации все множество данных было разбито на четыре класса.

· Внутри кластеров данные однородны

· значит, поведение физического процесса в рамках одного кластера более предсказуемо, нежели поведение этого процесса в общем.

Чтобы новый элемент (x, y, Factor1, Factor2) отнести к к-л классу, надо создать инструмент, который:

· по заданной четверке чисел выводил бы кластер, к которому данный объект принадлежит.

· Т.е. решить задачу классификации

Решим задачу классификации с применением нейронных сетей.

Запуск модуля Neural Networks:

· воспользуемся одноименной командой

· основное меню системы STATISTICA - Statistics.

· Команда Neural Networks

· вызов стартовой панели модуля STATISTICA Neural Networks (SNN) =>

· появл-ся стартовая панель модуля STATISTICA Neural Networks (SNN).

Рис.17. Стартовая панель модуля SNN.

· Вкладка Quick - Быстрый - раздел Problem Type = Класс задач выберем Classification – Классифика4ция.

· выбрать переменные для анализа: кнопка Variables =>

· появляется окно Select input (independent), output (dependent) and selector variables - Укажите входные (независимые), выходные (зависимые) и группирующие переменные

· В данном окне задаём 3 списка переменных:

ü Categorical outputs - Категориальные выходящие, в нашем случае, - это переменная Cluster

ü Continuous inputs - Непрерывные входящие, в нашем примере, - это переменные x и y.

ü Categorical inputs - Категориальные входящие, у нас это переменные Factor1 и Factor2.

· Раздел Subset variable - Разбиение на подмножества необязателен д/заполнения (выбор переменной, в которой содержатся коды для разбиения данных на обучающее контрольное и тестовое множества)

Рис.18. Выбор переменных для Анализа.

Раздел Select analysis - Выбор анализа:

· нужна опция Intelligent Problem Solver (устанавливается по умолчанию)

· нажмем кнопку OK.

· появляется окно настройки процедуры Intelligent Problem Solve

· вкладка Quick - Быстрый и её раздел Optimization Time - Время оптимизации

· в поле ввода Networks tested - Количество тестируемых сетей укажем 50

Рис.19. Вид диалогового окна поиска сети.

В диалоговом окне состояния алгоритма поиска сети:

· выводится информация, что и в примере задачи регрессии

· За исключением: производительность сейчас равна доле правильно классифицируемых наблюдений

· чем ближе производительность к единице, тем лучше.

· В итоге, отобрана сеть с наилучшей производительностью

Рис.20. Параметры нейронной сети - классификатора.

Вкладка Descriptive Statistics - Описательные статистики:

· нажмем одноименную кнопку

· появится таблица статистик классификации

ü Столбцы этой таблицы - наблюдаемые классы

ü строки - предсказанные классы

· В идеале в этой матрице диагональные эл-ты д.б. отличны от нуля, а все остальные ячейки – нулевые =>

· производительность сети = 1 (В нашем случае, на одном из наблюдений нейронная сеть ошиблась)

Рис.21. Статистики классификации.

Определить кластер многомерного наблюдения:

· вкладка Advanced - Дополнительно - кнопка User defined case - Пользовательское значение

· появл-ся диалоговое окно User defined case prediction - Прогноз значений пользователя - вкладка Quick - Быстрый - кнопка User defined input - Задать входные значения.

Рис.22. Вид диалогового окна User defined case prediction - Прогноз значений пользователя.

· Ввести значения

· нажать кнопку Predictions – Прогноз

· нейронная сеть выдаст номер кластера, которому принадлежит заданный объект.

· Классификатор построен.

Сохранение конфигурации нейронной сети, выполняющей классификацию:

· в диалоговом окне результатов поиска нейронной сети необходимо нажать кнопку ОК

· перейти в стартовую панель модуля

· В стартовой панели модуля выберите вкладку Networks/Ensembles - Сети/Ансамбли -> кнопка Save network file as... - Сохранить файл нейронный сети как...

Дата добавления: 2015-07-19