Читайте также: |
|
Обобщенно-регрессионные нейронные сети (GRNN) используются в задачах регрессии. Их можно применять в задачах с выходными переменными любых типов, но, как правило, с одной числовой выходной переменной (Patterson, 1996; Bishop, 1995).
Мы попробуем обучить GRNN-сеть предсказывать значение переменной PWIDTH в файле Iris.sta по переменным SLENGTH, SW1DTH и РLENGTH. В окне Редактор данных - Data Set Editor сделаем переменную FLOWER неучитываемой, а переменную PWIDTH- выходной (Output).
Откроем диалоговое окно Создать сеть - Create Network и зададим тип сети Регрессионная - Regression. Советник - Network Advisor автоматически предложит нам сеть с таким же числом радиальных элементов (второй слой), сколько имеется обучающих наблюдений. В отличие от PNN-сети, в GRNN-сети число элементов можно задать меньшим, чем число обучающих наблюдений, а при определении местоположения центров использовать алгоритм кластеризации. Однако, как правило, число центров не может быть сделано значительно меньше числа обучающих наблюдений без потери качества результата (допустимо брать половину или треть, но не на порядок меньше). Проще всего здесь использовать все множество обучающих наблюдений. Чтобы создать новую сеть, просто нажмите кнопку Создать - Create.
GRNN-сеть обучается с помощью диалогового окна Обобщенная регрессия - Generalized Regression.
Как и в случае PNN-сети, нужно выбрать единственный параметр обучения - коэффициент сглаживания (Smoothing), который здесь имеет тот же смысл, что и для PNN-сетей: он определяет ширину «шапок» гауссовых ядерных функции. В данной задаче подходящим является коэффициент сглаживания порядка 0,1. Расположение центров определяется с помощью специальных алгоритмов их размещения, имеющихся в пакете ST Neural Networks. Если число центров берется равным числу обучающих наблюдений, то нужно нажать кнопку Выборка - Sample (при этом просто копируются координаты всех центров). В противном случае обычно рекомендуется воспользоваться алгоритмом К-средние - К-Меаns. После того, как центры размещены, нажмите кнопку Обучить - Train для запуска алгоритма обучения GRNN-сети. При этом будут сформированы третий и четвертый слои сети, служащие для оценки результата посредством сглаживающих ядер.
После того, как сеть обучена, можно посмотреть результаты в окне Статистики регрессии - Regression Statistics. Нужно стремиться получить на контрольном множестве величину отношения стандартных отклонений (S.D. Ratio) не хуже 0,4. Как и в случае PNN-сетей, можно добиться сколь угодно (обманчиво) хорошего значения этой величины на обучающем множестве, просто уменьшая достаточным образом коэффициент сглаживания.
Дата добавления: 2015-11-30; просмотров: 45 | Нарушение авторских прав