Koja je razlika između neuronskih mreža i statističkih podataka? Statistička neuronska mreža Neuralne mreže: Metodologija i tehnologija Moderna statistička analiza podataka Izgrađena tablica za neuronske mreže

Pred- i post-obrada, uključujući odabir podataka, kodiranje nominalnih vrijednosti, skaliranje, normalizaciju, brisanje propuštenih podataka s ispitivanjem za klasifikaciju, regresijske i privremene serije zadataka;
Iznimna jednostavnost korištenja plus nenadmašna analitička snaga; Na primjer, nemate analogno Odluke čarobnjaka će držati korisnika kroz sve faze brisanja različitih neuronskih mreža i odabrati najbolje (ovaj zadatak, inače, rješava se dug put "uzorci i pogreške" i zahtijevaju temeljito znanje o teoriji);
Snažno istraživanje i analitičke tehnologijeuključujući Analiza glavne komponente i Niža dimenzijada biste odabrali željene ulazne varijable u analizi podataka istraživanja (neuronske mreže) (izbor željenih ulaznih varijabli za neuronske mreže često traje dugo; sustav Statistički neuronske mreže. može obavljati ovaj rad za korisnika;
Najmoderniji, optimizirani i moćni algoritmi mreže (uključujući metode konjugatnih gradijenta i Levenberg Marcara); potpuna kontrola nad svim parametrima koji utječu na kvalitetu mreže, kao što su funkcije aktivacije i pogrešaka, složenost mreže;
Podrška za ansamblima neuronske mreže i neuronske mreže arhitekture gotovo neograničene veličine stvorene u Mrežne setove - Mrežne setove.; selektivno učenje segmenata neuronskih mreža; Kombiniranje i spremanje mrežnih skupova u zasebnim datotekama;
Puna integracija sa sustavom Statistika.; Svi rezultati, grafikoni, izvješća itd. Može se mijenjati u budućnosti pomoću snažnih grafičkih i analitičkih alata Statistika. (na primjer, za analizu predviđenih ostataka, stvaranje detaljnog izvješća, itd.);
Kompletna integracija sa snažnim automatskim alatima Statistika.; Snimanje punopravnih makronaredbi za bilo koje testove; Stvaranje vlastite neuro-mrežne analize i aplikacije s Statistica Visual Basicpoziv Statistički neuronske mreže. od bilo koje podrške za prijavu sOM. (Na primjer, automatska analiza neuro-mreže u tablici MS Excel ili kombiniranje više korisničkih aplikacija napisanih na C ++, c #, java itd.).

Statistički neuronske mreže u neuronskoj mreži Computing:

Korištenje neuronskih mreža podrazumijeva mnogo više od jednostavnog obrade podataka metodama neuronske mreže.
Statistički neuronske mreže. Pruža razne funkcionalnost, raditi s vrlo složenim zadacima, uključujući ne samo najnovije Arhitektura neuronske mreže i Algoritmi obuke, ali i novi pristupi Odabir ulaznih podataka i Izgradnja mreže, Osim toga, programeri softver I korisnici eksperimentiranja s postavkama aplikacija će cijeniti činjenicu da nakon navedenih eksperimenata u jednostavnom i intuitivnom sučelju Statistički neuronske mreže.Neuronski testovi mogu se kombinirati u korisničkoj priči. To se postiže ili pomoću knjižnice. Com-funkcija statistikakoji u potpunosti odražava sve funkcije programa ili pomoću koda na jeziku C (c ++, c #) ili Visual Basic.koji generira program i pomaže u pokretanju potpuno obučene neuronske mreže ili mrežnog ansambla.

Početni podaci

Modul Statistički neuronske mreže. potpuno integriran s sustavom Statistika.To je tako dostupno velikom izboru podataka uređivanja podataka (pripreme) za analizu (transformacija, uvjeti za odabir opažanja, alata za provjeru podataka, itd.). Kao i svi testovi Statistika.Program može biti "priložen" na udaljenu bazu podataka pomoću alata za obradu "na licu mjesta" ili se odnosi na aktivne podatke tako da su modeli obučeni ili započnite (na primjer. Za izračunavanje predviđenih vrijednosti ili klasifikacija), svaki put kada se promijenite podatak.

Odabir ulaznih podataka i smanjenja dimenzije

Nakon pripreme podataka, morate odlučiti koje varijable treba koristiti pri radu s neuronskom mrežom. Što je veći broj varijabli, to je teže neuronska mreža, te, dakle, trebat će više sjećanja i vremena za obuku, kao i veći broj primjera obuke (opažanja). Uz nedovoljnu količinu podataka i / ili korelacija između varijabli, iznimnu važnost u mnogim neuronskim mrežnim aplikacijama stječu izbor značajnih ulaznih varijabli i kompresiju informacija na manji broj varijabli.

Algoritmi smanjenja veličine:

U Statistički neuronske mreže.ostvareni i izravni algoritmi izbor korak po korak, Osim toga, neuro-genetsko agoritma odabira ulaznih podataka kombinira sposobnosti genetskih algoritama i PNN / GRNN (PNN - Probabilističke neuronske mreže, GRNN - Generalizirane regresijske neuronske mreže) Automatski pronaći optimalne kombinacije ulaznih varijabli, uključujući u slučajevima kada postoje korelacije i nelinearne ovisnosti između njih. Gotovo trenutna brzina učenja PNN / GRNN algoritam ne samo da omogućuje primjenu Algoritam odabira neuro-genetskog unosaali također vam omogućuje (korištenje postojećih u Urednikpodaci o sustavu Statistički neuronske mreže.s prikladnim načinom suzbijanja beznačajnih varijabli) u stvarnom vremenu za obavljanje vlastitih eksperimenata na osjetljivosti podataka. Statistički neuronske mreže. također sadrži ugrađeni sustav Analiza glavne komponente (AGK i asocijativne mreže za "nelinearni AGK")omogućujući smanjenje veličine izvornih podataka. Imajte na umu da je ogroman izbor statističkih metoda za smanjenje dimenzije podataka dostupno u osnovnom sustavu Statistika..

Skaliranje podataka i transformacija nominalnih vrijednosti:

Prije nego što se podaci unose u mrežu, moraju biti posebno pripremljeni. To je jednako važno da se izlaz može pravilno interpretirati. U Statistički neuronske mreže. Moguće je automatski zapaliti ulazne i izlazne podatke (uključujući skaliranje na minimalne / maksimalne vrijednosti i u prosjeku / standardnoj devijaciji); Alternativno, varijable s nominalnim vrijednostima također se mogu automatski recidirati (na primjer, spol \u003d (muž, žene)), uključujući metodu 1-out-N kodiranja. Statistički neuronske mreže. Također sadrži alate za rad s propuštenim podacima. Funkcije normizacije se provode kao "Jedinstvena količina", "Pobjednik dobiva sve" i "Vektorska izolirana duljina", Postoje sredstva za pripremu i tumačenje podataka posebno dizajniranih za analizu privremene serije. U osnovnom sustavu se također provodi širok raspon sličnih sredstava Statistika..
U klasifikacijskim zadacima moguće je uspostaviti intervale pouzdanosti koji Statistički neuronske mreže. Koristi tada dodijeliti opažanja jednom ili drugom razredu. U kombinaciji s posebnim provedenim u Statistički neuronske mreže.funkcija aktivacije Softmaks i funkcije greške u cross-entropiju to daje temeljni teorijski i vjerojatnost pristup klasifikacijskim zadacima.

Odabir modela neuronske mreže, mrežni ansambli

Raznovrsne modele neuronskih mreža i mnogih parametara koji trebaju biti instalirani (mrežne dimenzije, parametri algoritma učenja, itd.), Mogu staviti drugačiji korisnik u slijep kraj (za to i postoji Odluke čarobnjakakoji može automatski tražiti odgovarajuću mrežnu arhitekturu bilo koje složenosti).

Sustav statističke neuronske mreže implementirao je sve glavne vrste neuronskih mreža koje se koriste u rješavanju praktičnih zadataka, uključujući:

višeslojni perceptroni (mreže s izravnim prijenosom signala);
mreže na radijalnim osnovnim funkcijama;
samoorganiziranje Kohonen kartica;
probabilističke (bayesian) neuronske mreže;
generalizirane regresivne neuronske mreže;
mrežne glavne komponente;
mreže za grupiranje;
linearne mreže.

Također, u sustavu Statistički neuronske mreže. proveden Mrežni ansambliformirana od slučajnih (ali značajnih) kombinacija gore navedenih mreža. Postoji još jedan zgodan alat: možete povezati mreže tako da počnu sekvencijalno. To je korisno u predobrađenju za pronalaženje rješenja uz minimalne troškove.

U paketu Statistički neuronske mreže. Postoje brojni alati koji olakšavaju korisniku s izborom odgovarajuće mrežne arhitekture. Statistički i grafički sustavni alati uključuju histograme, matricu i grafikone pogrešaka za cijeli set i na pojedinačna opažanja, ukupne podatke o ispravnoj / netočnoj klasifikaciji, a sve važne statistike - na primjer, objašnjeno udio varijance - izračunavaju se automatski.

Za vizualizaciju podataka u paketu Statistički neuronske mreže. Provedeni dijagrami raspršenja i trodimenzionalne reaktne površine, pomažu korisniku da razumije "ponašanje" mreže.
Naravno, sve primljene informacije iz navedenih izvora mogu se koristiti za daljnju analizu na drugim sredstvima Statistika., kao i za naknadno uključivanje u izvješća ili konfiguriranje.

Statistički neuronske mreže. Automatski pamti najbolju mrežnu opciju od onih koje ste primili, eksperimentirate na zadatku, a možete ga kontaktirati u bilo kojem trenutku. Korisnost mreže i njegova sposobnost predviđanja se automatski provjerava na posebnom skupu provjere opažanja, kao i procjenom veličine mreže, njegove učinkovitosti i cijene netočne klasifikacije. Provodi Statistički neuronske mreže. Automatski procesi unakrsne provjere i reguliranja težak po Vugedu Neka brzo saznate je li vaša mreža nije dovoljna ili, naprotiv, je pretežak za ovaj zadatak.

Poboljšati performanse u paketu Statistički neuronske mreže.prikazane su brojne opcije mrežnog postavljanja. Dakle, možete postaviti linearni izlazni sloj mreže u zadatke regresije ili funkciju aktivacije softmax vrste u zadacima probabilističke procjene i klasifikacije. Ako postoje mnoge emisije u vašim podacima, onda kada učenje mreže možete zamijeniti standardnu \u200b\u200bfunkciju pogreške na manje osjetljivu funkciju. "Gradske četvrti", Sustav se također implementiran na modelima informacija o cros-entropiji informacija i brojne posebne funkcije aktivacije, uključujući: Stepped, Sawy i Sinusoidal.

Rješenja čarobnjaka (Automatski je ocijenio zadatak i odabire nekoliko mreža raznih arhitektura):

Dio paketa Statistička neuralna mreža.s je Rješenja čarobnjaka - inteligentni rješivač problemaTo procjenjuje mnoge neuronske mreže različitih arhitektura i složenosti i odabira odabire najbolje arhitektonske mreže za ovaj zadatak.
Ovladati; majstorski Sposoban je graditi mreže za podatke s neovisnim zapažanjima (standardne regresije mreže, klasifikacijske mreže ili mješoviti) jednaka je bilo kojoj mreži namijenjenoj za predviđanje budućih vrijednosti određene varijable na temelju postojećih vrijednosti iste varijable (mreže s privremenim redovima).
Znatno vrijeme pri izradi neuronske mreže je odabrati iz odgovarajućih varijabli i optimiziranje mrežne arhitekture metodom heurističkog pretraživanja. Statistički neuronske mreže. Uzima ovaj rad na sebe i automatski zadržava heurističku potragu za vas. Ovaj postupak uzima u obzir ulaznu dimenziju, vrstu mreže, mrežne dimenzije i potrebne funkcije kodiranja.
Tijekom pretraživanja možete odrediti broj odgovora primljenih u procesu učenja. Prilikom instaliranja načina maksimalnog detalja Majstorski ukrasth će prikazati arhitekturu i razine kvalitete za svaku testiranu mrežu.
Odluke čarobnjaka je ekstremna učinkovit alat Korištenje složenih tehnika omogućujući vam da automatski pronađete najbolju mrežnu arhitekturu. Umjesto da provode mnogo sati na sjedalu ispred računala, osigurajte sustav Statistički neuronske mreže. Učinite ovaj posao za vas.
Automatski dizajner mrežetakođer možete koristiti u procesu razvoja modela kada je modul Statistički neuronske mreže, zajedno s drugim modulima osnovnog sustava Statistika.primijeniti na identifikaciju najznačajnijih varijabli (na primjer, najbolji prediktori za naknadno uključivanje i testiranje u bilo kojem modelu Nelinearna procjena - nelinearna procjena).

Obuka Neuralna mreža:

Uspjeh vaših najboljih eksperimenata pretraživanja i mrežne arhitekture značajno ovisi o kvaliteti i brzini algoritama mrežnog učenja. U sustavu Statistički neuronske mreže. Danas je implementirao najbolje algoritme za obuku.
Za učenje višeslojnih percepcija u sustavu Statistički neuronske mreže. Prvenstveno se primjenjuje, prije svega, metoda inverznog razmnožavanja - s brzinom koja mijenja brzinu i koeficijent inercije, miješanje opažanja prije sljedećeg koraka algoritma i dodavanje buke aditiva za robusnu generalizaciju. Osim toga, u sustavu Statistički neuronske mreže. Provedeni su dva brza algoritmi drugog reda - metode konjugatnih gradijenata i Levenberg Marcara, Potonji je neuobičajeno snažan moderni algoritam za nelinearnu optimizaciju, a stručnjaci ih visoko preporučuju. U isto vrijeme, opseg primjene ove metode ograničen je slučajevima relativno malih mreža s jednim izlaznim neuronom i za više glomaznih zadataka u paketu Statistički neuronske mreže. Postoji metoda konjugatnih gradijenata. U pravilu, i drugi algoritam konvergiraju brže od načina povratnog širenja, a istovremeno se obično daju prikladnije rješenje.
Iterativna mreža u sustavu Statistički neuronske mreže. Pratio je automatskim prikazom trenutne pogreške učenja i pogreške koja se izračunava neovisno o njemu na skupu čeka, a prikazan je grafikon ukupne pogreške. Možete prekinuti učenje u bilo kojem trenutku, jednostavno pritiskom na gumb. Osim toga, moguće je postaviti uvjete zaustavljanja, prilikom izvođenja obuke će biti prekinut; Takvo stanje može biti, na primjer, postizanje određene razine pogreške, ili stabilan rast pogreške verifikacije tijekom određenog prolaza prolaza - "epoha" (što ukazuje na tzv prekvalifikaciju mreže). Ako se odvija prekvalifikacija, ne treba brinuti o korisniku: Statistički neuronske mreže. Automatski pamti instancu najbolje mreže dobivene tijekom procesa učenja, a uvijek možete kontaktirati ovu mrežu pritiskom na odgovarajući gumb. Nakon završetka mrežnog treninga, možete provjeriti kvalitetu rada na zasebnom testu.
U paketu Statistički neuronske mreže. Provedeni su i brojni algoritmi učenja za druge mreže drugih arhitektura. Parametri radijalnih spojeva i koeficijenata za izglađivanje u mrežama na funkciji radijalne osnove i generalizirane regresijske mreže mogu se odabrati algoritmima kao što su: trening kohonen, podmale, Metoda k-sredina, Metode izotropije i najbližih susjeda. Neuroni linearnog izlaznog sloja u mrežama na funkciji radijalne osnove, kao u linearnim mrežama, u potpunosti su optimizirani. jedinstvena raspadanja (SVD).
Stvaranje hibridnih mrežnih struktura. U sustavu Statistički neuronske mreže. Moguće je stvoriti mrežu mješovite strukture. Na primjer, u modificiranoj mreži na funkciji radijalne osnove, prvi sloj neurona može se obučiti algoritam Kohonen.a, i drugi - nelinearni sloj - Metoda Levenberga-Marcara.

Ispitivanje neuronske mreže:

Nakon što je mreža obučena, morate provjeriti kvalitetu svog rada i odrediti karakteristike. Da biste to učinili u paketu Statistički neuronske mreže.postoji skup statistike zaslona i grafike.
U slučaju da su određeni nekoliko modela (mreža i ansambs), onda (ako je moguće) Statistička neuralna mreža.s će prikazati usporedne rezultate (na primjer, krivulje odgovora nekoliko modela na jednom grafikonu će se graditi ili prediktori nekoliko modela u jednoj tablici). Ova nekretnina je vrlo korisna za usporedbu različitih modela obučenih na jednom skupu podataka.
Sve statistike izračunavaju se zasebno za učenje, provjeru i testiranje skupova. Svi posili i aktivacijski parametri dostupni su u obliku prikladnog. tekstualna datotekakoji se jedan klik može pretvoriti u tablicu rezultata sustava Statistika., Rezultati eksperimenata na pojedinačnim zapažanjima ili tijekom skupa podataka također se mogu promatrati u obliku tablice. Statistika. i koristiti u daljnjim analizama ili rasporedima.
Sljedeća statistika ishoda automatski se izračunava: standardna mreža mreže, tzv. Mismatch matrica (Matrica konfuzije) Za zadatke klasifikacije (gdje su sažeti svi slučajevi ispravne i netočne klasifikacije) i udio objašnjene regresije za zadatke regresije. Mreža Kohonen. Ima prozor Topološka kartagdje možete vizualno promatrati aktivaciju mrežnih elemenata, kao i promijeniti oznake opažanja i čvorova u procesu analize podataka. Tu je i pobjednički frekvencijski prozor koji vam omogućuje da odmah lokalizirate klastere u topološkoj karti. Analiza klastera Možete izvesti kombinacijom standardne arhitektonske mreže s posebnim dijagramom klastera sustava. Statistički neuronske mreže., Na primjer, možete trenirati mrežu za analizu glavne komponente i grafički prikazivati \u200b\u200bpodatke u projekciji u prve dvije komponente.

Uređivanje, izmjena i sekvencijalni priključak neuronskih mreža

U sustavu Statistički neuronske mreže. Postoje inteligentni alati koji vam omogućuju rezanje komada od već dostupnih mreža i povezivanje više mreža. Dakle, možete izbrisati ili dodati odvojene neurone, izbrisati cijeli sloj iz mreže, a mreže koje su u skladu s brojem ulaza / izlaza mogu se sekvencijalno međusobno povezati. Zahvaljujući ovim značajkama Statistički neuronske mreže.omogućuje vam da koristite takve sredstva kao smanjenje dimenzije (na predobradi) pomoću asocijativnih mreža i matrica gubitaka (za donošenje odluka s najmanjim gubitkom). Matrica gubitka se automatski koristi pri radu s probabilističkim neuronskim mrežama.

Ready Solutions (prilagođene aplikacije pomoću statističkih neuronskih mreža):

Jednostavan I. zgodan sučelje Sustavi Statistički neuronske mreže. Omogućuje vam da brzo stvorite aplikacije neuronske mreže za rješavanje zadataka.
Ova situacija je moguća kada je moguće ugraditi ta rješenja na već postojeći sustav, na primjer, da bi ih dio šireg računalnog okruženja (to mogu biti razvijeni odvojeno i ugrađeni u korporativni računalni sustav).
Obučeni neuronske mreže mogu se primijeniti na nove skupove podataka (za predviđanje) na nekoliko načina: možete spremiti obučeni mrežni ili mrežni ansambl (na primjer, za izračunavanje prosječnog predviđanja na temelju više arhitektura), a zatim ga primijeniti na nove podatke set (za predviđanje, predviđenu klasifikaciju ili prognoziranje); Možete koristiti generator koda za automatsko stvaranje Softverski kod na jeziku C (c ++, c #) ili Visual Basic.i dalje ga koristiti za predviđanje novih podataka u bilo kojem softverskom okruženju visual Basic ili C ++ (C #), Provesti potpuno obučenu neuronsku mrežu u vašoj prijavi. U zaključku, sva funkcionalnost sustava Statistika.uključujući Statistički neuronske mreže. može se koristiti kao Com objekata (model objekta komponenti) u drugim primjenama (na primjer, Java, gđa Excel itd.). Na primjer, možete implementirati automatske analize stvorene u Statistički neuronske mreže. u tablici MS Excel.

Popis algoritama učenja:

Inverzna distribucija;
Levenberg Marcara;
Gradijenti konjugata;
Kvazi-newtonian;
Brza distribucija;
Delta delta-s-značajka;
Pseudo-obrnuto;
Kohonenova obuka;
Obilježavanje najbližeg razreda;
Kvanicizator vektora obuke;
Radijalni (ispod) uzorak;
K-prosječna metoda;
Metoda K-najbližih susjeda (KNN);
Instaliranje izotropnih odstupanja;
Ugradnja očitih odstupanja;
Probabilistička neuronska mreža;
Glavna mreža generalizirane i regresije;
Algoritam odabira genetskog ulaza;
Korak-po-korak izravni ili obrnuti odabir ulaznih podataka.

Zahtjevi sustava

Sustav Statistički neuronske mreže. Može čak raditi na relativno slabim ili starim računalima. Međutim, budući da mnogi postupci paketa zahtijevaju velike količine računalstva, preporučuje se korištenje Procesor pentiuma s 32 megabajta ovna.

Ograničenja u mrežnim veličinama:

Neuralna mreža može biti gotovo svaka veličina (koja je, njegove veličine mogu se uzeti mnogo puta više nego što je u stvarnosti i razumno); Dopušteno je 128 slojeva bez ograničenja na broj neurona. Zapravo, za bilo koji praktični zadaci, program je ograničen samo hardverskim značajkama računala.

Elektronski priručnik:

Kao dio sustava Statistički neuronske mreže. Postoji dobro ilustrirani tutorial koji sadrži potpuni i razumljiv uvod u neuronske mreže, kao i primjere. Iz bilo kojeg dijaloškog okvira dostupan je detaljni kontekstualni referentni sustav.

Generator izvornog koda:

Generator izvorni kod To je dodatni proizvod koji korisnicima omogućuje jednostavno stvaranje vlastitih sustava na temelju sustava. Statistički neuronske mreže., Ovaj dodatni proizvod stvara izvor koda sustava neuronske mreže. (kao datoteka u C, C ++, C #)koji se mogu odvojeno kompilirati i integrirati u vaš besplatni program distribucije. Ovaj proizvod je posebno dizajniran za korporativne sustave programere, kao i one korisnike koji se moraju pretvoriti u visoko-optimizirane postupke stvorene u Statistički neuronske mreže. U vanjskim primjenama za rješavanje složenih analitičkih zadataka.

Metode neuronske umrežavanja postaju sve više raspodijeljene u širokom rasponu područja.

Industrija:

Upravljanje procesima (posebno praćenje proizvodnih procesa s kontinuiranim regulacijom kontrolnih parametara).
Klasifikacija uzoraka goriva (segmentacija sorti goriva na temelju analize njihovog spektra).
Tehnička dijagnostika (vibracije i buka u ranoj fazi određuju kvar u mehanizmu i ponašanje preventivnog popravka).
Sustavi za kontrolu motora (evaluacija razine potrošnje goriva pomoću senzornih podataka i kontrolu).
Sustavi detektora s prebacivanjem u stvarnom vremenu u fizici. Neuralne mreže su otporne na buku i omogućuju korištenje robusnih uzoraka u fizičkim podacima s velikom statističkom bukom.

Marketing:

Predviđanje cijena zlata;
Predviđanje cijena sirovina;
Trgovanje izravnom distribucijom.

Financije:

Povećanje kreditne sposobnosti (klasični zadatak - o podacima o upitniku kako bi se utvrdilo je li to zajmoprimac ublažava).
Predviđanje financijskih vremenskih serija.

Geološko istraživanje:

Poboljšanje učinkovitosti rudarskog procesa (raspodjela značajnih čimbenika koji utječu na pokazatelje uspješnosti izvedbe).

Ostale industrije:

Optičko prepoznavanje znakova, uključujući prepoznavanje potpisa;
Obrada slike;
Predviđanje kaotične vremenske serije;
Medicinska dijagnoza;
Sinteza govora;
Lingvistička analiza.

U statističkom paketu čini se da je problem kontinuiranog predviđanja zadatak regresije. U kontekstu ovog problema, neuronska mreža se smatra nelinearnom funkcijom, čija se složenost kontrolira pomoću "poluparametrijski" - broj elemenata na mreži utječe na složenost otopine, ali, naravno, Analitičar ne može vidjeti eksplicitnu vrstu regresije funkcije.

Potrebno je izgraditi neuronsku mrežu, izračunavati šefa vodstva u atmosferu ovisno o broju i vrsti prolaznog prijevoza. Podaci se pohranjuju u olovnom datoteku.xls.

Otvorite olovnu datoteku.xls u statističkom paketu. Pojavljuje se prozor "otvaranje datoteka".

Sl. 4. 33. Uvoz prozor.

Morate odabrati opciju "Uvesti odabrani list" i odaberite naziv lista s podacima:

Sl. 4. 34. Odaberite Excelov list za uvoz na paket statistika.

U sljedećem prozoru morate odrediti stvarne parametre podataka, koji se obično definiraju i automatski se prikazuju (osim za posljednje tri potvrdne okvire).

Sl. 4. 35. Postavljanje uvoza.

Nakon toga, uvezeni podaci će biti prikazani u prozoru.

Sl. 4. 36. Uvezite rezultate.

Pokrenite paket analize pomoću neuronskih mreža. Da biste to učinili, odaberite neuronske mreže u izborniku za analizu.

Sl. 4. 37. Odabir metode obrade podataka - "Neuralna mreža".

nakon toga pojavit će se prozor pakiranja statističke neuronske mreže:

Sl. 4. 38. Analiza pokretanja prozora "Neuralne mreže".

Kliknite karticu "Fast", gdje trebate odrediti vrstu regresijske zadatke i alat za graditelja mreže.

Sl. 4. 39. Pokretanje dizajnera neuronske mreže.

Dalje, klikom na gumb "OK", otići ćete u način rada izlazne (ovisne) i ulazne (neovisne) varijable. Kao prvo, odaberite "olovo" i kao potonji - broj automobila svih kategorija. Stupci "Ne." I "ulice" ostaju neiskorišteni.

Sl. 4. 40. Odabire ulaz i izlaz za neuronsku mrežu.

Klikom na "U redu" vratit ćete se na karticu "Fast". Zatim, pritiskom na gumb "OK" ponovno, premjestite se u prozor formacije neuronske mreže. Na kartici "Quick", morate odabrati vrstu mrežnog višeslojnog perceptrona,

Sl. 4. 41. Odabir vrste neuronske mreže.

i na kartici "Elements", možete odrediti potreban broj slojeva, broj neurona u svakom, kao i vrstu funkcije aktivacije:

Sl. 4. 42. Postavljanje broja slojeva i vrsta neurona.

Sl. 4. 43. Odabir načina nastave Neoseti.

Evo klikom na gumb "Uzorak", možete odrediti broj treninga, kontrole i ispitivanja primjere. Ako navedite broj ispitanih i kontrolnih primjera jednakih nuli, mreža će biti obučena u svim primjerima:

Sl. 4. 44. Definiranje podataka za učenje i ispitivanje.

Vraćajući se na glavno prozor učenja, možete klikom na gumb "User" i okretanje na "Interactive" karticu, zahtijevaju da se proces učenja odražava u obliku grafikona:

Sl. 4. 45. Postavljanje vrste grafa za demonstraciju procesa učenja.

Konačno, klikom na gumb "OK", pokrenut ćete proces učenja, od kojih će se rezultat prikazati na rasporedu:

Sl. 46. \u200b\u200bObuka neuronske mreže.

Klikom na gumb "OK", premjestit ćete se na prozor rezultata gdje možete istražiti različite karakteristike stvorene mreže pomicanjem pomoću kartica prozora:

Sl. 47. Rezultati modeliranja neuronske mreže.

Na primjer, na kartici "Napredno", postoji gumb "mrežna arhitektura" klikom na koju možete vidjeti topologiju izgrađene mreže:

Sl. 4. 48. Pogled na izgrađenu neuronsku mrežu.

kao i gumb "Promatranje korisnika", gdje možete postaviti nove izvorne podatkovne mreže i dobiti odgovor mreže odgovora.

i pokazujemo kako je organiziran dijalog s korisnikom korisnika.

Obratite pozornost na prikladno sučelje i alate. , i Način više podzemne željezniceomogućujući korisnicima da dizajniraju vlastite mreže i odaberu najbolje.

Dakle, prije svega, pokrenite neuronske mreže.

Korak 1. Počinjete od početne ploče (pogledajte sl. 1).

Na ovoj ploči možete odabrati različite vrste analize koje trebate izvršiti: regresija, razvrstavanje, predviđanje vremenskih serija (s kontinuiranom i kategoričkom ovisnom varijablom), klaster analiza.

Sl. 1. Pokrenite ploču Statistička automatizirana neuronska mreža (SANN)

Odaberite, na primjer, Privremeni redovi (regresija)Ako želite izgraditi prognozu ili KlasifikacijaAko je zadatak klasifikacije riješen.

pritisni gumb u reduPrelazak na dijaloški okvir Odabir podataka.

Sl. 2. Dijaloški okvir Netuural mreže - Odabir podataka - brza kartica

Korak 2. Na kartici Brzo Trebali biste odabrati potrebne varijable za analizu. Varijable mogu biti kontinuirane i kategorične, ovisne i neovisne; Osim toga, zapažanja mogu pripadati različitim uzorcima.

Sl. 3. Prozor za odabir varijable

Za početnike preporučuje se odabrati strategiju. Iskusni korisnik može jednostavno koristiti bilo koju dostupnu strategiju: Automatizirana neuronska mreža (ANS), Prilagođena neuronska mreža (PNS) i Mi ćemo izabrati Automatizirana neuronska mreža (ANS).

Sl. 4. Dijaloški okvir Neuralne mreže - Odabir podataka - brza kartica

Na kartici Tvari (PNS i ANS) Trebali biste navesti željenu particioniranje podataka na podugama: obuku, kontrolu i test. Particija se može navesti nasumičnoi može se popraviti dodatnim varijabilnim kodom.

U tom slučaju ćemo koristiti slučajnu particiju.

Sl. 5. Dijaloški okvir Neuralne mreže - Odabir podataka - Kartica pod-odabira (ANS i PNS)

Tab Tvari (PNS i ANS)dizajniran za prve dvije strategije: Automatizirana neuronska mreža (ANS) i Prilagođena neuronska mreža (PNS); I karticu Stvaranje podzemljakoristi se za posljednju strategiju: Metoda višestrukih podmazaka.

Pritisnuti u redu I idite na korak postavljanje parametara arhitekture.

Korak 3. Na kartici Brzo dijaloški okvir Automatizirane neuronske mrežemorate navesti vrstu mreže, broj skrivenih neurona, broj obučenih i spremljenih mreža, kao i vrstu korištenih funkcija pogrešaka.

Program nudi sljedeće vrste mreže: višeslojne personeze i mrežu radijalnih baznih funkcija.

Sl. 6. Automatska dijaloška kutija za automatsku neuronsku mrežu - brza kartica

Sl. 7. Dijaloški okvir automatskog neuronske mreže - kartica funkcioniranja za aktivaciju za MLP

Na kartici Pozorni Možete omogućiti mogućnost reguliranja vaga koje će prilagoditi složenost obučenih mreža. To je korisno kada zadatak ima veliki broj ulaznih varijabli, kao i veliki broj neurona na skrivenom sloju.

Ali u našem slučaju nećemo ovo koristiti.

Sl. 8. Automatska dijaloška kutija za automatsku neuronsku mrežu - Kartica postrojenja

Sada možete otići u korak učenja neuronskih mreža.

Korak 4. Pokrenite postupak za učenje neuronskih mreža pritiskom na gumb u redu.

U dijaloškom okviru, prikazano na Sl. 9 prikazane su neke informacije o trenutnoj obučene neuronske mreže. Možemo analizirati mrežnu arhitekturu, pogledati moždani udar algoritam iteracija i popraviti pogreške u modelima. Regresija koristi standardnu \u200b\u200bpogrešku, postotak ispravne klasifikacije opažanja koristi se za razvrstavanje (kao u našem slučaju).

Sl. 9. Neuralna mreža za učenje dijaloga

Program se automatski nastavlja na sljedeći korak.

Korak 5. Analiza rezultata. U prozoru s rezultatima možete analizirati rješenja. Program će odabrati najbolje mreže i pokazat će kvalitetu rješenja.

Sl. 10. Dijaloški okvir Neuralne mreže - Rezultati - predviđena kartica

Možete odabrati određenu mrežu, bolje u našem mišljenju, pomoću gumba Odaberite / uklonite mreže.

Sl. 11. Dijaloški okvir Model Activanje

Na primjer, jedna metoda provjere je usporedba promatranih vrijednosti i predviđenih rezultata. Usporedba uočenih i predviđenih vrijednosti za odabranu mrežu, na primjer, za učenje i ispitivanje uzoraka.

Sl. 12. Tablica promatranih i predviđenih vrijednosti

Ili pogledajte matricu pogreške klasifikacije na testnom uzorku:

Sl. 13. Matrica klasifikacija

Korak 6. Spremite najbolje mreže za daljnju uporabu, na primjer, za automatsko izgradnju prognoza.

Za daljnje lansiranje mreže se pohranjuju u PMML formatu.

Sl. 14. Dijaloški okvir Neuralne mreže - rezultati - Spremanje mreža

Sl. 15. Standardni prozor za uštedu mrežnih datoteka

Korak 7. Pokrenite spremljene modele na novim podacima. Tako učitati nove podatke, ali varijable se podudaraju s varijablama u modelima.

Da biste pokrenuli model na novim podacima, možete odabrati opciju na početnoj ploči (Sl. 1) Preuzmite modele iz prethodnih analiza I na nacionaciju gumba Učitajte mreže.

Sl. 16. Standardni prozor za odabir mrežnih datoteka

Dobivamo:

Sl. 17. Statističke automatizirane neuronske mreže Start Panel (SANN)

Nakon odabira željene datoteke, sve postavke se automatski određuju, tako da se možete odmah premjestiti na prozor rezultata (dvaput pritiskom na tipku u redu) i analizirati dobivene rezultate.

Takva je tipična skripta u paketu

Oznaka: Neuronske mreže i statistike. Neuronske mreže i nejasna logika. Neuronske mreže i stručne sustave. Neuronske mreže i statistička fizika.

Životinje su podijeljene u:

u vlasništvu cara

nula

ukroćeno,

sunce

sirena

nevjerojatan

odvojeni psi

uključeno u ovu klasifikaciju,

trčanje kao lud

bezbrojan

izvučena s najboljom četkom od kamilene vune,

drugi

slomljena vaza cvijeta

propušteni mušice podsjećaju.

H.L. Komes, "Analitički jezik John Wilkins"

NekroComputer ima brojne točke kontakta s drugim disciplinama i njihovim metodama. Konkretno, teorija neuronskih mreža koristi aparat za statističku mehaniku i teoriju optimizacije. Područja neurokomputirajućih primjena ponekad se sijeku ili gotovo podudaraju s primjenama matematičke statistike, teoriju neizrazitog skupova i stručnih sustava. Veze i paralele neurokutiranja su izuzetno raznoliki i ukazuju na njegovu svestranost. U ovom predavanju, koje se može promatrati kao dodatno, jer zahtijeva nešto veću matematičku obuku, razgovarat ćemo samo o najvažnijim od njih.

Neuronske mreže i statistika

Budući da se trenutno neuronske mreže uspješno koriste za analizu podataka, prikladno je usporediti ih sa starim dobro razvijenim statističkim metodama. U literaturi o statistici, ponekad je moguće ispuniti tvrdnju da se najčešće korištene neuronske mreže pristupa nisu ništa više od neučinkovitog regresije i diskriminacijskih modela. Već smo primijetili prije višeslojne neuronske mreže Može doista riješiti probleme vrste regresije i klasifikacije. Međutim, prvo, obrada tih neuronskih mreža značajno je raznovrsnija u prirodi - opoziva, na primjer, aktivna klasifikacija Hopfield mreža ili znakova Kohonena, koji nemaju statističke analoge. Drugo, mnoge studije o korištenju neuronske mreže u financijama i poslovanju otkrile su njihove prednosti u odnosu na prethodno razvijene statističke metode. Razmotrite rezultate usporedbe metoda neuronske mreže i matematičke statistike.

Jesu li neuronske mreže opisanog jezika?

Kao što je već navedeno, neke statistike tvrde da se neuronska mreža pristupa za obradu podataka jednostavno renoviraju i preformulirane, ali poznate statističke metode analize. Drugim riječima, neurokomputiranje jednostavno koristi novi jezik za opisivanje starog znanja. Kao primjer, dajemo citat od Warren Sirla:

Mnogi istraživači neuronskih mreža su inženjeri, fizičari, neurofiziolozi, psiholozi ili stručnjaci u računalima koji znaju malo o statistici i nelinearnoj optimizaciji. Istraživači neuronske mreže stalno pretvaraju metode koje su poznate u matematičkoj i statističkoj literaturi s desetljećima i stoljećima, ali se često ispostavljaju da ne mogu razumjeti kako te metode rade

Slično stajalište, na prvi pogled, može se činiti razumnim. Formalizam neuronskih mreža je stvarno sposoban zatražiti ulogu univerzalnog jezika. Nije bilo slučajno da je u pionirskom radu McCally i Pitts, pokazalo se da je opis neuronske mreže ekvivalentan opisu logike izjava.

Zapravo sam otkrio da sam uz pomoć tehnike koju sam razvio u radu 1961. (...), lako bih mogao odgovoriti na sva pitanja koja su stručnjaci u mozgu (...) ili računalo. Kao fizičar, međutim, dobro sam znao da teorija, koja sve objašnjava, zapravo ne objašnjava ništa: u najboljem slučaju, to je jezik. Eduardo kainello

Nije iznenađujuće da statistika često otkrivaju da njihovi uobičajeni koncepti imaju svoje analoge u teoriji neuronskih mreža. Warren Sirl bila je mali rječnik koji se koristi u ova dva područja.

Tablica 11.1. Rječnik sličnih uvjeta

Neuronske mreže	Statističke metode.
Znakovi	varijable
ulazi	nezavisne varijable
izlazi	predviđene vrijednosti
ciljane vrijednosti	ovisne varijable
pogreška	iniquid
obuka, prilagodba, samoorganizacija	procjena
funkcija pogreške, funkcija Lyapunov	kriteriji evaluacije
slike za obuku (parovi)	opažanja
mrežni parametri: Težina, pragovi.	Procijenjeni parametri
neuroni visoke narudžbe	interakcija
funkcionalne veze	transformacija
obuka s učiteljem ili heteroazocija	regresija i diskriminantna analiza
učenje bez učitelja ili autoozocije	kompresija podataka
konkurentsko učenje, adaptivno vektorski kvantizacija	analiza klastera
generalizacija	interpolacija i ekstrapolacija

Koja je razlika između neuronskih mreža i statističkih podataka?

Koja je sličnost i razlikovanje jezika i statistike neurokutiranja u analizi podataka. Razmotrite najjednostavniji primjer.

Pretpostavimo da smo proveli opažanja i eksperimentalno izmjerene N parova točaka koji predstavljaju funkcionalnu ovisnost. Ako pokušate provesti najbolji put kroz ove točke, da će se na jeziku statistike koristiti za opisivanje nepoznate ovisnosti linearnog modela (gdje ukazuje na buku pri provođenju promatranja), tada je rješenje odgovarajućeg problema linearnog regresije smanjena na pronalaženje vrijednosti procjene parametara koji minimiziraju zbroj kvadratnih ostataka.

Ako su parametri i pronađeni, onda možete procijeniti vrijednost Y za bilo koju vrijednost x, odnosno interpolaciju i ekstrapolaciju podataka.

Isti zadatak se može riješiti jednoslojna mreža Sa jedinim ulazom i samo linearnim izlaznim neuronom. Komunikacija A i prag B može se dobiti minimiziranjem iste rezidualne vrijednosti (koja će se u ovom slučaju nazivati \u200b\u200bRMS pogreška) tijekom mreže mreže, na primjer, metodom povratnog naoštre. Svojstva neuronske mreže na generalizaciju koristit će se za predviđanje izlazne vrijednosti po ulaznoj vrijednosti.

Sl. 11.1.

Kada se uspoređuju ova dva pristupa, odmah je upečatljivo da, kada opisuje njegove metode, statistika privlači formule i jednadžbe i neurokomputing na grafički opis neuronskih arhitektura.

Ako se prisjetimo s formulama i jednadžbama, radi lijevu hemisferu, a grafičkim slikama može se shvatiti da se "ispravna" pristupa neuronske mreže pojavljuje u usporedbi s statistikom.

Još jedna značajna razlika je u tome što metode statistike nisu bitne koliko je nesretan minimiziran - u svakom slučaju, model ostaje isti, dok se za neurokompatibiranje reproducira metoda učenja. Drugim riječima, za razliku od pristupa neuronske mreže, procjena parametara modela za statističke metode ne ovisi o tome metoda minimizacije, U isto vrijeme, statistika će razmotriti promjene u vrsti preostalog, recimo o tome

Kao temeljna promjena u modelu.

Za razliku od pristupa neuronske mreže, u kojem glavni put uzima obuku mreža, s statističkim pristupom, ovaj se vrijeme troši na temeljitu analizu zadatka. U isto vrijeme, iskustvo statističara koristi se za odabir modela na temelju podataka i analize informacija specifičnih za ovo područje. Korištenje neuronskih mreža - Ovi univerzalni aproksimatori obično se provode bez korištenja priori znanja, iako je u nekim slučajevima vrlo korisno. Na primjer, za linearni model koji se razmatra, upotreba precizno-kvadratne pogreške dovodi do dobivanja optimalne procjene njegovih parametara, kada vrijednost buke ima normalnu raspodjelu s istom disperzijom za sve parove obuke. U isto vrijeme, ako je poznato da su te disperzije različite, uporaba suspendirane funkcije pogreške

Može dati značajno bolje vrijednosti parametara.

Osim gore navedenog modela, mogu se dati primjeri drugih u smislu ekvivalentnih modela statistike i neuronske mreže paradigme.

Hopfield mreža ima očitu vezu s klasteriranjem podataka i njihovom faktorskom analizom.

Faktorska analiza Koristi se za proučavanje strukture podataka. Njezina uglavnom paket je pretpostavka postojanja takvih znakova - čimbenika koji se ne mogu promatrati izravno, ali se mogu procijeniti nekoliko promatranih primarnih značajki. Na primjer, takvi znakovi, kao volumen proizvodnje i trošak dugotrajne imovine, može odrediti takav čimbenik kao opseg proizvodnje. Za razliku od neuronskih mreža koje zahtijevaju obuku, faktorska analiza može raditi samo s određenim brojem opažanja. Iako, u načelu, broj takvih opažanja treba samo po jedinici koja prelazi broj varijabli. Preporuča se koristiti barem veliki broj vrijednosti. I dalje se smatra manjim od količine uzorka obuke za neuronsku mrežu. Stoga, statistika ukazuju na prednost faktorske analize koja se sastoji od manjeg broja podataka i, posljedično, što dovodi do brže generacije modela. Osim toga, to znači da provedba metoda faktorske analize zahtijeva manje snažno računanje. Još jedna prednost faktorske analize je da je to metoda tipa bijele kutije, tj. To je potpuno otvoreno i razumljivo - korisnik može lako shvatiti zašto model daje jedan ili drugi rezultat. Može se vidjeti komunikacija faktorske analize s Hopfield modelom, sjećanjem vektora minimalna baza Za skup promatranja (pamćene slike - vidi predavanje 5). To je ti vektori koji su analozi čimbenika koji kombiniraju različite komponente memorijskih vektora - primarni znakovi.

Mnogi koncepti koji se odnose na metode neuronskih mreža najbolje se objašnjavaju primjerom određenog programa neuronske mreže. Stoga će u ovom dijelu biti mnogo referenci na paket. Statistika. Neuronske mreže (skraćeno, statSoft Netron mrežni paket), koji je provedba cjelokupnog skupa metoda analize podataka.

U posljednjih nekoliko godina gledamo eksploziju interesa za neuronske mreže koje se uspješno koriste u različitim područjima - poslovanju, medicini, tehnici, geologiji, fizici. Neuronske mreže ušle su u praksu svugdje, gdje trebate riješiti probleme prognoziranja, klasifikacije ili upravljanja. Takav impresivan uspjeh određuje se s nekoliko razloga:

Neuronske mreže su iznimno moćna metoda modeliranja, koja omogućuje reproduciranje iznimno složenih ovisnosti. Konkretno, neuronske mreže su nelinearni u svojoj prirodi (značenje ovog koncepta detaljno je objašnjeno kasnije u ovom poglavlju). Već dugi niz godina, linearna simulacija bila je glavna metoda modeliranja u većini područja, budući da su postupci optimizacije dobro razvijeni za to. U zadacima, gdje je linearna aproksimacija nezadovoljavajuća (i ima mnogo takvih), linearni modeli loše rade. Osim toga, neuronske mreže se nose s "prokletstvom dimenzija", koja ne dopušta modeliranje linearnih ovisnosti u slučaju veliki broj varijable

Neuronske mreže uče iz primjera. Korisnik neuronske mreže odabire predstavničke podatke, a zatim pokreće algoritmu učenja koji automatski doživljava strukturu podataka. U isto vrijeme, od korisnika, naravno, neka vrsta heurističkog znanja je potrebno o tome kako odabrati i pripremiti podatke, odabrati željenu mrežnu arhitekturu i interpretirati rezultate, međutim, razinu znanja potrebne za uspješno korištenje Neuronske mreže su mnogo skromnije nego, na primjer, pri korištenju tradicionalnih statističkih metoda.

Neuronske mreže su atraktivne s intuitivnog stajališta, jer se temelje na primitivnom biološkom modelu živčanih sustava. U budućnosti, razvoj takvih neuro-bioloških modela može dovesti do stvaranja istinski razmišljanja računala. U međuvremenu, "jednostavne" neuronske mreže, koje grade sustav ST neuronske mreže, snažno je oružje u Arsenalu stručnjaka u primijenjenoj statistici (neuronske mreže. Statistička neuronska mreža: Metodologija i tehnologija moderne analize podataka.).

Neuronske mreže nastale su iz istraživanja u području umjetne inteligencije, naime, od pokušaja reprodukcije sposobnosti bioloških živčanih sustava za proučavanje i ispravljanje pogrešaka simuliranjem strukture niske razine (Patterson, 1996). Glavno područje istraživanja o umjetnoj inteligenciji u 60-ih - 80-ih bilo je stručne sustave. Takvi su sustavi temeljeni na modeliranju na visokoj razini procesa razmišljanja (posebno na zastupljenosti da je proces našeg razmišljanja izgrađen na manipulacijama sa simbolima). Ubrzo je postalo jasno da takvi sustavi, iako mogu imati koristi u nekim područjima, ne preuzimaju neke ključne aspekte ljudske inteligencije. Prema jednom od gledišta, razlog za to je da ne mogu reproducirati strukturu mozga. Da biste stvorili umjetnu inteligenciju, potrebno je izgraditi sustav sa sličnom arhitekturom.

Mozak se sastoji od vrlo velikog broja (oko 10.000.000.000) neurona povezanih brojnim vezama (u prosjeku, nekoliko tisuća priključaka po neuronu, ali taj se broj može varirati). Neuroni su posebne stanice sposobne za distribuciju elektrokemijskih signala. Neuron ima opsežnu strukturu za unos informacija (dendriti), jezgra i grananja (AKSON). Aksija stanica su povezani s dendritima drugih stanica pomoću sinapse. Kada aktiviranje neurona šalje elektrokemijski signal prema svom aksonu. Kroz sinapse, ovaj signal doseže i druge neurone koji se mogu aktivirati. Neuron se aktivira kada će ukupni signali koji su došli do njenog kernela iz dendriti, premašuju određenu razinu (prag aktiviranja).

Intenzitet signala koji je dobio neuron (i posljedično mogućnost njegove aktivacije), snažno ovisi o aktivnosti sinapsa. Svaka sinapsa ima duljinu, a posebne kemikalije prenose signal uz njega. Jedan od najprivlačnijih istraživača neurosustava, Donald Hebb, izrazio je postulatu da je obuka prvenstveno promjena u "sili" sinaptičkih veza. Na primjer, u klasičnom iskustvu Pavlov, svaki put kad je zvono odmah nazvao zvono prije hranjenja psa, a pas je brzo naučio vezati zvono zvona hranom. Sinaptičke veze između dijelova cerebralnog korteksa, odgovorne za glasine i žlijezde slinovnica intenziviraju se, a za vrijeme uzbuđenja korteksa zvuk zvona, pas je počeo fiziološko.

Dakle, izgrađena od vrlo velikog broja potpuno jednostavnih elemenata (od kojih svaki od njih uzima ponderirana količina ulaznih signala, au slučaju da ukupni ulaz premašuje određenu razinu, prenosi daljnji binarni signal), mozak je u stanju riješiti iznimno složene zadatke, Naravno, ovdje nismo utjecali na mnoge složene aspekte mozga, ali je zanimljivo da je umjetnoneuronske mreže mogu postići izvanredne rezultate pomoću modela koji nije mnogo kompliciraniji nego što je gore opisano.