Заключение

Из материала этой главы вы узнали, как создать и обучить стандартный многослойный персептрон в системе ST Neural Networks, как запустить его и проанализировать полученные результаты. В следующей главе опи­сано, как создавать сети других типов и решать с помощью пакета ST Neural Networks более сложные задачи регрессии и классификации.

Глава 3 дальнейшие возможности

В этой главе подробно рассмотрены различные варианты конструирова­ния сетей и дополнительные возможности, реализованные в пакете 57" Neural Networks.

1. Решение задач классификации с несколькими классами.

2. Кросс-проверка.

3. Различные архитектуры сетей.

4. Применение нейронных сетей к задачам регрессии.

5. Вероятностные и обобщенно-регрессионные сети.

6. Автоматический конструктор сетей.

7. Генетический алгоритм отбора входных данных (Genetic Algorithm Input Selection).

8. Применение нейронных сетей к задачам прогнозирования временных рядов.

Ирисы Фишера

В состав программы входит файл данных Iris.sta, относящийся к задаче Фишера о классификации ирисов. Применение классических методов для решения этой задачи подробно описано в книге В. П. Боровикова «Попу­лярное введение в программу STATISTICA» («Компьютер-Пресс», 1998).

Рассматривается три вида цветков ириса: Setosa, Versicolor и Virginica. Всего имеется по 50 экземпляров каждого вида, и для каждого из них из­мерены четыре величины: длина и ширина чашелистика, длина и ширина лепестка. Цель состоит в том, чтобы научиться предсказывать тип нового (пока не известного) цветка по данным этих измерений.

Эта задача интересна сразу по нескольким причинам. Во-первых, один из классов (Setosa) линейно отделим от двух других. Оставшиеся два разде­лить гораздо труднее, и, кроме того, имеется несколько экземпляров, выбивающихся из общей картины, которые легко отнести к другому классу. Такие выбросы являются хорошей проверкой надежности работы сети на сложных данных.

Представление нескольких классов

Загрузите файл Iris.sta в пакет ST Neural Net\vorks и взгляните на данные. Здесь имеется четыре входных переменных и одна выходная. Выходная переменная •- номинальная с тремя возможными значениями: Iris = {Setosa, Versicol, Virginic}.

Формирование уменьшенного набора данных

Данные про ирисы содержат 150 наблюдений - это довольно много, и сеть будет обучаться медленно. Для учебных целей давайте сократим объем данных до 60 наблюдений. При этом мы заодно познакомимся с некото­рыми возможностями Редактора данных - Data Set Editor.

Кроме того, мы разобьем данные на две группы: обучающее множество (Training Set) будет использоваться для обучения сети, а контрольное множество (Verification Set) - для проверки качества ее работы.

Чтобы сформировать сокращенный набор данных, сделайте следующее:

1. Откройте набор данных Iris.sta и вызовите Редактор данных - Data Editor.

2. Выделите наблюдения 21-50, для этого прокрутите таблицу так, что­бы стало видно наблюдение номер 20, щелкните на метке его строки, и либо протащите мышь до нижней границы диапазона, либо выдели­те его клавишами стрижа вниз и page down при нажатой клавише SHIFT.

3. Нажмите правую кнопку мыши и выберите из контекстного меню пункт Не учитывать - Ignore. Отмеченные наблюдения будут выде­лены серым цветом, и программа ST Neural Networks не будет исполь­зовать их при обучении.

4. Проделайте всего же самое для наблюдений 71-100 и 121-150.

5. Поменяйте число наблюдений в обучающем множестве - (оно указано в поле Обучающее - Training) с 60 на 30. Программа ST Neural Networks автоматически отнесет оставшиеся наблюдения к контроль­ному множеству, так что теперь у нас будет 30 обучающих и 30 кон­трольных наблюдений.

6. Нажмите кнопку Перемешать - Shuffle - обучающие и контрольные наблюдения будут взяты случайным образом среди всех 60 наблюде­ний. Вы заметите это, взглянув на таблицу. Обучающие наблюдения показаны черным цветом, а контрольные - красным.