Care este diferența dintre rețelele neuronale și statisticile? STATISTICA NEURAL NEURAL REȚELE NEURAL: Metodologie și tehnologie Modern Statistică Analiza datelor Tabel construit pentru rețelele neuronale

Pre- și postprocesare, inclusiv selectarea datelor, codificarea valorilor nominale, scalarea, normalizarea, ștergerea datelor pierdute cu interariții pentru clasificarea, regresia și sarcinile de serie temporară;
O ușurință excepțională de utilizare plus putere analitică de neegalat; De exemplu, nu are analog Deciziile Wizard va organiza un utilizator prin toate etapele ștergerii diferitelor rețele neuronale și va alege cea mai bună (această sarcină, altfel, este rezolvată de un drum lung "eșantioane și erori" și necesită o cunoaștere aprofundată a teoriei);
Tehnologii puternice de explorare și analitice, inclusiv Analiza componentei principale și Dimensiune inferioarăpentru a selecta variabilele de intrare dorite în analiza datelor de explorare (rețea neuronală) (alegerea variabilelor de intrare dorite pentru rețelele neuronale durează adesea o perioadă lungă de timp; sistem STATISTICA NEURAL REȚELE. poate efectua această lucrare pentru utilizator);
Cele mai moderne, optimizate și puternice algoritmi de formare a rețelei (inclusiv metode de gradienți conjugați și Levenberg Marcara); control complet asupra tuturor parametrilor care afectează calitatea rețelei, cum ar fi funcțiile de activare și eroare, complexitatea rețelei;
Sprijin pentru ansamblurile de rețea neuronală și arhitecturi de rețea neuronală de dimensiuni aproape nelimitate create în Seturi de rețea - Seturi de rețea.; Învățarea selectivă a segmentelor rețelei neuronale; Combinarea și salvarea seturilor de rețea în fișiere separate;
Integrarea completă cu sistemul Statistica.; Toate rezultatele, graficele, rapoartele etc. pot fi modificate în viitor folosind unelte grafice și analitice puternice Statistica. (de exemplu, pentru a analiza reziduurile prezise, \u200b\u200bcrearea unui raport detaliat etc.);
Integrare completă cu instrumente automate puternice Statistica.; Înregistrarea macrocomenzilor depline pentru orice teste; Crearea propriilor analize și aplicații neuro-rețea cu STATISTICA VISUAL BASIC.apel STATISTICA NEURAL REȚELE. din orice aplicație care sprijină som. (de exemplu, analiza automată neuro-rețea în tabel MS Excel. sau combinarea mai multor aplicații de utilizator scrise C ++, C #, Java etc.).

STATISTICA Rețele neuronale în rețeaua neuronală Computere:

Utilizarea rețelelor neuronale implică mult mai mult decât prelucrarea datelor prin metode de rețea neuronală.
STATISTICA NEURAL REȚELE. Oferă o varietate de funcționalitate, pentru a lucra cu sarcini foarte complexe, inclusiv nu numai cele mai noi Arhitectura rețelei neuronale și Algoritmi de formare, dar și noi abordări în Selectarea datelor de intrare și Construirea unei rețele. În plus, dezvoltatorii software. Iar utilizatorii care experimentează cu setările aplicațiilor vor aprecia faptul că după experimentele specificate într-o interfață simplă și intuitivă STATISTICA NEURAL REȚELE.Testele neuronale pot fi combinate în povestirea utilizatorului. Acest lucru se realizează fie folosind biblioteca. Com-funcția Statisticacare reflectă pe deplin toate funcțiile programului sau utilizarea codului în limba C (C ++, C #) sau Visual Basic.Care este generată de program și ajută la rularea unei rețele neuronale sau a unui ansamblu de rețea complet instruit.

Datele inițiale.

Modul STATISTICA NEURAL REȚELE. complet integrat cu sistemul Statistica.Aceasta este deci accesibilă unei selecții uriașe de date de editare a datelor (preparare) pentru analiză (transformare, condiții de selectare a observațiilor, instrumente de verificare a datelor etc.). Ca toate testele Statistica.Programul poate fi "atașat" într-o bază de date la distanță utilizând instrumentele de procesare "pe site" sau legate de datele active, astfel încât modelele să fie instruite sau pornite (de exemplu, pentru a calcula valorile sau clasificările prezise), de fiecare dată când schimbați datele.

Selectarea datelor de intrare și reducerea dimensiunii

După ce datele sunt pregătite, trebuie să decideți ce variabile trebuie utilizate la lucrul cu rețeaua neuronală. Cu cât este mai mare numărul de variabile, cu atât rețeaua neuronală mai dificilă și, prin urmare, va lua mai multă memorie și timp pentru formare, precum și un număr mai mare de exemple de formare (observații). Cu o cantitate insuficientă de date și / sau corelații între variabile, o importanță excepțională în multe aplicații de rețea neuronală dobândesc selecția unor variabile importante de intrare și comprimarea informațiilor la un număr mai mic de variabile.

Algoritmi de reducere a dimensiunilor:

ÎN STATISTICA NEURAL REȚELE.realizate înapoi și algoritmi direcți alegerea pas cu pas. În plus, agoritul neuro-genetic al selecției datelor de intrare combină capacitățile algoritmilor genetici și PNN / GRNN (PNN - rețele neuronale probabiliste, GRNN - Rețele neuronale de regresie generalizate) Pentru a găsi automat combinațiile optime de variabile de intrare, inclusiv în cazurile în care există corelații și dependențe neliniare între ele. Viteza de învățare aproape instantanee Algoritmul PNN / GRNN nu numai că face posibilă aplicarea Algoritmul de selecție a intrărilor neuro-geneticedar vă permite, de asemenea, (utilizând existența în Editordatele sistemului. STATISTICA NEURAL REȚELE.cu mijloace convenabile de suprimare a variabilelor nesemnificative) în timp real pentru a-și îndeplini propriile experimente asupra sensibilității datelor. STATISTICA NEURAL REȚELE. De asemenea, conține un sistem încorporat Analiza componentei principale (AGK și rețelele asociative pentru "Nonlinear Agk")permițând reducerea dimensiunii datelor sursă. Rețineți că o mare varietate de metode statistice de reducere a dimensiunii datelor disponibile în sistemul de bază Statistica..

Scalarea datelor și transformarea valorilor nominale:

Înainte de introducerea datelor în rețea, acestea trebuie pregătite în mod specific. Este la fel de important ca rezultatul să poată fi interpretat în mod corespunzător. ÎN STATISTICA NEURAL REȚELE. Este posibilă scalarea automată a datelor de intrare și ieșire (inclusiv scalarea la valori minime / maxime și la deviația medie / standard); În mod alternativ, variabilele cu valori nominale pot fi, de asemenea, recodificate automat (de exemplu, sexul \u003d (soțul, soțiile)), inclusiv metoda de codare 1 out-N. STATISTICA NEURAL REȚELE. De asemenea, conține instrumente pentru a lucra cu date pierdute. Funcțiile de normalizare sunt implementate ca "Sumă unică", "Câștigătorul primește totul" și "Lungimea izolată vectorială". Există mijloace de pregătire și interpretare a datelor special concepute pentru a analiza seriile temporare. O mare varietate de mijloace similare este, de asemenea, implementată în sistemul de bază Statistica..
În sarcinile de clasificare, este posibil să se stabilească intervale de încredere STATISTICA NEURAL REȚELE. Utilizează apoi pentru a atribui observații la una sau altă clasă. Combinate cu implementate speciale în STATISTICA NEURAL REȚELE.funcția de activare Softmax. și funcțiile de eroare încrucișată Aceasta oferă o abordare fundamentală teoretică și probabilitate a sarcinilor de clasificare.

Alegerea unui model de rețea neuronală, ansambluri de rețea

Varietatea modelelor de rețele neuronale și mulți parametri care trebuie instalați (dimensiuni de rețea, parametrii algoritmului de învățare etc.) pot pune un utilizator diferit la un capăt mort (pentru aceasta și există Deciziile Wizardcare poate căuta automat o arhitectură adecvată de rețea a oricărei complexități).

Sistemul Networks Netural Statisticii a implementat toate tipurile majore de rețele neuronale utilizate în rezolvarea sarcinilor practice, inclusiv:

perceptroni multistrat (rețele cu transmisie directă a semnalelor);
rețele pe funcții de bază radiale;
cartele de auto-organizare Kohonen;
rețele neuronale probabiliste (Bayesian);
rețele neuronale regresive regresive;
componente principale de rețea;
rețele pentru clustering;
rețele liniare.

De asemenea, în sistem STATISTICA NEURAL REȚELE. implementat Ansambluri de rețeaformate din combinații aleatorii (dar semnificative) ale rețelelor de mai sus. Există un alt instrument convenabil: puteți asocia rețele astfel încât să pornească secvențial. Acest lucru este util în preprocesarea pentru găsirea de soluții cu costuri minime.

În pachet STATISTICA NEURAL REȚELE. Există numeroase instrumente care facilitează utilizatorul cu alegerea unei arhitecturi de rețea adecvate. Instrumentele sistemice statistice și grafice includ histograme, matrice și grafice de eroare pentru întregul set și pe observațiile individuale, datele totale privind clasificarea corectă / incorectă și toate statisticile importante - de exemplu, explicate prin proporția varianței - sunt calculate automat.

Pentru a vizualiza datele din pachet STATISTICA NEURAL REȚELE. Implementarea diagramelor de împrăștiere și suprafețe de răspuns tridimensionale, ajutând utilizatorul să înțeleagă "comportamentul" rețelei.
Desigur, orice informație primită din sursele listate pot fi utilizate pentru o analiză ulterioară prin alte mijloace Statistica., precum și pentru incluziunea ulterioară în rapoarte sau pentru a configura.

STATISTICA NEURAL REȚELE. Își amintește automat cea mai bună opțiune de rețea de la cei pe care l-ați primit, experimentați sarcina și vă puteți contacta în orice moment. Utilitatea rețelei și capacitatea sa de a prezice este verificată automat pe un set special de verificare a observațiilor, precum și prin evaluarea dimensiunii rețelei, eficacitatea acestuia și prețul clasificării incorecte. Implementat de STATISTICA NEURAL REȚELE. Procesele automate de verificare și regularizare cântărește de Vugedu Permiteți să aflați rapid dacă rețeaua dvs. nu este suficientă sau, dimpotrivă, este prea dificilă pentru această sarcină.

Pentru a îmbunătăți performanța în pachet STATISTICA NEURAL REȚELE.sunt prezentate numeroase opțiuni de configurare a rețelei. Deci, puteți seta un strat de ieșire liniar al rețelei în sarcini de regresie sau funcția de activare a tipului softmax în sarcinile evaluării și clasificării probabiliste. Dacă există multe emisii în datele dvs., atunci când învățați o rețea, puteți înlocui funcția de eroare standard la o funcție mai puțin sensibilă. "City Quarters". Sistemul implementat, de asemenea, pe modele de erori de informare a teoriei entropie și o serie de funcții speciale de activare, printre care: pas cu pas, tăiat și sinusoidal.

Wizard Solutions (a evaluat automat sarcina și selectează mai multe rețele de arhitectură diferită):

Parte a pachetului STATISTICA NEURAL REȚELE.s este Soluții Wizard - Solver de probleme inteligentecare evaluează multe rețele neuronale de diferite arhitecturi și complexitate și selectează selectează cele mai bune rețele de arhitectură pentru această sarcină.
Maestru Este capabil să construiască rețele pentru datele cu observații independente (rețelele de regresie standard, rețelele de clasificare sau mixt) sunt egale cu orice rețele destinate să prezică valorile viitoare ale unei anumite variabile pe baza valorilor existente ale aceleiași variabile (rețea cu rânduri temporare).
Un moment considerabil la crearea unei rețele neuronale este de a alege din variabilele corespunzătoare și de optimizare a arhitecturii rețelei prin metoda de căutare euristică. STATISTICA NEURAL REȚELE. Ia această lucrare pe sine și deține automat o căutare euristică pentru dvs. Această procedură ia în considerare dimensiunea de intrare, tipul de rețea, dimensiunile rețelei și funcțiile de codare necesare.
În timpul căutării puteți specifica numărul de răspunsuri primite în procesul de învățare. Când instalați modul maxim de detaliu Decorarea principalăth va afișa arhitectura și nivelurile de calitate pentru fiecare rețea testată.
Deciziile Wizard este extremă un instrument eficient Utilizarea tehnicilor complexe, permițându-vă să găsiți automat cea mai bună arhitectură a rețelei. În loc să petreceți mai multe ore pe scaun în fața calculatorului, furnizați sistemul STATISTICA NEURAL REȚELE. Faceți această lucrare pentru dvs.
Designer automat de rețeade asemenea, puteți utiliza în procesul de dezvoltare a unui model atunci când modulul Statistica rețele neuronale, împreună cu alte module ale sistemului de bază Statistica.aplicate pentru a identifica cele mai semnificative variabile (de exemplu, cei mai buni predictori pentru incluziunea și testarea ulterioară în orice model Estimarea neliniară - estimare neliniară).

Formarea rețelei neuronale:

Succesul experimentelor de căutare cele mai bune și al arhitecturilor de rețea depinde în mod semnificativ de calitatea și viteza algoritmilor de învățare a rețelei. În sistem STATISTICA NEURAL REȚELE. Implementat astăzi cei mai buni algoritmi de formare.
Pentru învățarea perceptonilor multi-straturi în sistem STATISTICA NEURAL REȚELE. Este implementat în primul rând, metoda de propagare inversă - cu viteza de schimbare a vitezei și coeficientul de inerție, amestecarea observațiilor înainte de următoarea etapă a algoritmului și adăugarea de zgomot aditiv pentru o generalizare robustă. În plus, în sistem STATISTICA NEURAL REȚELE. Două algoritmi rapizi de ordine secundară sunt implementate - metode de gradienți conjugați și Levenberg Marcara.. Acesta din urmă este un algoritm modern neobișnuit de puternic pentru optimizarea neliniară, iar experții recomandă foarte mult să utilizeze. În același timp, domeniul de aplicare al acestei metode este limitat de cazurile de rețele relativ mici, cu un neuron de ieșire și pentru sarcini mai greoaie în pachet STATISTICA NEURAL REȚELE. Există o metodă de gradiente conjugate. De regulă, ambele și celălalt algoritm converg mai repede decât metoda de propagare a returnării și, în același timp, oferă o soluție mai adecvată.
Formarea rețelei iterative în sistem STATISTICA NEURAL REȚELE. Acesta este însoțit de o afișare automată a erorii actuale de învățare și eroarea calculată independent de acesta pe setul de verificare și este afișată graficul erorii totale. Puteți întrerup învățarea în orice moment, pur și simplu apăsând butonul. În plus, este posibil să se stabilească condițiile opririi, atunci când se efectuează antrenamentul va fi întrerupt; O astfel de condiție poate fi, de exemplu, realizarea unui anumit nivel de eroare sau o creștere stabilă a erorii de verificare în timpul pasajului specificat al pasajelor - "Epoch" (care indică așa-numita reluare a rețelei). Dacă are loc recalificarea, nu ar trebui să aibă grijă de utilizator: STATISTICA NEURAL REȚELE. Amintește automat instanța celei mai bune rețele obținute în timpul procesului de învățare și puteți contacta întotdeauna această rețea apăsând butonul corespunzător. După finalizarea antrenamentului de rețea, puteți verifica calitatea lucrărilor sale pe un set de testare separat.
În pachet STATISTICA NEURAL REȚELE. Sunt implementate și un număr de algoritmi de învățare pentru alte rețele de alte arhitecturi. Parametrii splinelor radiale și coeficienții de netezi din rețelele pe bază radială și rețelele de regresie generalizate pot fi selectate prin algoritmi cum ar fi: instruirea Kohonen., subscrieri, Metoda k-mijloc, Metode de izotropie și cei mai apropiați vecini. Neuronii stratului de ieșire liniară din rețelele din funcția de bază radială, ca în rețelele liniare, sunt complet optimizate. descompunere singulară (SVD).
Crearea structurilor de rețea hibride. În sistem STATISTICA NEURAL REȚELE. Este posibil să se creeze o rețea de structură mixtă. De exemplu, într-o rețea modificată pe o funcție de bază radială, primul strat de neuroni poate fi instruit algoritmul Kohonen.a, și al doilea - strat neliniar - metoda lui Levenberga-Marcara.

Testarea rețelei neuronale:

După ce rețeaua este instruită, trebuie să verificați calitatea muncii sale și să determinați caracteristicile. Pentru a face acest lucru în pachet STATISTICA NEURAL REȚELE.există un set de statistici de ecran și grafică.
În cazul în care sunt specificate mai multe modele (rețele și ansambluri), atunci (dacă este posibil) STATISTICA NEURAL REȚELE.s va afișa rezultate comparative (de exemplu, curbele de răspuns ale mai multor modele pe o diagramă vor construi sau predictorii mai multor modele într-o singură masă). Această proprietate este foarte utilă pentru compararea diferitelor modele instruite pe un set de date.
Toate statisticile sunt calculate separat pentru învățarea, verificarea și setările de testare. Toate greutatea și parametrii de activare sunt disponibili sub forma unui convenabil. fisier textCare dintre ele poate fi convertită în tabelul Rezultate ale sistemului Statistica.. Rezultatele experimentelor pe observațiile individuale sau pe întregul set de date pot fi, de asemenea, vizualizate sub forma unui tabel. Statistica. și utilizați în alte analize sau orare.
Următoarele statistici privind rezultatele sunt calculate automat: eroarea de rețea standard, așa-numita matrice de nepotrivire (Matrice de confuzie) Pentru sarcinile de clasificare (în cazul în care toate cazurile de clasificare adecvate și incorecte sunt rezumate) și ponderea regresiei explicate pentru sarcinile de regresie. Network Kohonen. Are o fereastră Harta topologicăÎn cazul în care puteți observa vizual activarea elementelor de rețea, precum și schimbarea mărcilor de observații și noduri în procesul de analiză a datelor. Există, de asemenea, o fereastră de frecvență câștigătoare care vă permite să localizați instantaneu clustere într-o hartă topologică. Analiza grupului Puteți efectua o combinație a unei rețele de arhitectură standard cu o diagramă specială a sistemului de cluster. STATISTICA NEURAL REȚELE.. De exemplu, puteți instrui o rețea pentru analizarea componentei principale și descrierea grafică a datelor din proiecția în primele două componente.

Editarea, modificarea și conexiunea secvențială a rețelelor neuronale

În sistem STATISTICA NEURAL REȚELE. Există instrumente inteligente care vă permit să tăiați bucăți din rețelele deja disponibile și să conectați mai multe rețele. Deci, puteți șterge sau adăuga neuroni separați, ștergeți un strat întreg din rețea, iar rețelele care sunt în concordanță cu numărul de intrări / ieșiri pot fi conectate secvențial unul cu celălalt. Datorită acestor caracteristici STATISTICA NEURAL REȚELE.vă permite să utilizați astfel de mijloace ca reducerea dimensiunii (la pre-procesare) utilizând rețelele asociative și matricea de pierdere (pentru luarea deciziilor cu cea mai mică pierdere). Matricea de pierdere este utilizată automat la lucrul cu rețele neuronale probabiliste.

Soluții gata (aplicații personalizate utilizând rețele neuronale statistice):

Simplu I. interfață convenabilă Sisteme STATISTICA NEURAL REȚELE. Vă permite să creați rapid aplicații de rețea neurală pentru a vă rezolva sarcinile.
Această situație este posibilă atunci când este posibilă încorporarea acestor soluții la sistemul deja existent, de exemplu, pentru a le face parte dintr-un mediu mai larg de calcul (acestea pot fi elaborate separat și construite într-un sistem de calcul corporativ).
Rețelele neuronale instruite pot fi aplicate la noi seturi de date (pentru predicție) în mai multe moduri: puteți salva o rețea instruită sau un ansamblu de rețea (de exemplu, pentru a calcula predicția medie bazată pe arhitecturi multiple) și apoi aplicați-o la o nouă date set (pentru predicție, clasificare sau prognoză previzionată); Puteți utiliza generatorul de cod pentru crearea automată Codul software în limba C (C ++, C #) sau Visual Basic.și să o utilizați în continuare pentru a prezice noile date în orice mediu software visual Basic sau C ++ (C #). Implementați o rețea neuronală complet instruită în aplicația dvs. În concluzie, toate funcționalitățile sistemului Statistica., inclusiv STATISTICA NEURAL REȚELE. pot fi folosite ca Com de obiecte (model de obiect component) În alte aplicații (de exemplu, Java, MS Excel etc.). De exemplu, puteți implementa analize automate create în STATISTICA NEURAL REȚELE. în tabel MS Excel..

Lista algoritmilor de învățare:

Distribuție inversă;
Levenberg Marcara;
Gradienți conjugați;
Cvasi-newtonian;
Distribuție rapidă;
Delta Delta-S-caracteristică;
Pseudo-inverse;
Instruirea lui Kohonen;
Marcând cele mai apropiate clase;
Formarea vectorului de formare;
Eșantion radial (sub);
K-media medie;
Metoda vecinilor K-cel mai apropiat (KNN);
Instalarea abaterilor izotropice;
Instalarea de deviații evidente;
Rețea neuronală probabilistă;
Rețeaua principală generalizată și regresie;
Algoritmul de selectare a intrărilor genetice;
Selectarea directă sau inversă directă sau inversă a datelor de intrare.

Cerințe de sistem

Sistem STATISTICA NEURAL REȚELE. Poate chiar să lucreze pe computere relativ slabe sau vechi. Cu toate acestea, deoarece multe proceduri de pachete necesită cantități mari de calcul, este recomandat să se utilizeze Procesorul Pentium. cu 32 megaocteți de memorie RAM.

Restricții în dimensiunile rețelei:

Rețeaua neurală poate fi aproape orice dimensiune (adică dimensiunile sale pot fi luate de mai multe ori mai mult decât este în realitate și rezonabilă); Este permisă de 128 de straturi fără restricții asupra numărului de neuroni. De fapt, pentru orice sarcini practice, programul este limitat numai de caracteristicile hardware ale computerului.

Manual electronic:

Ca parte a sistemului STATISTICA NEURAL REȚELE. Există un tutorial bine ilustrat care conține o introducere completă și ușor de înțeles în rețelele neuronale, precum și exemple. Din orice casetă de dialog, este disponibil un sistem detaliat de referință contextual.

Codul sursă Generator:

Generator cod sursa Este un produs suplimentar care permite utilizatorilor să-și creeze cu ușurință propriile sisteme bazate pe sistem. STATISTICA NEURAL REȚELE.. Acest produs suplimentar creează codul sistemului sursă al modelului de rețea neuronală. (ca fișier în C, C ++, C #)care pot fi compilate separat și integrat în programul dvs. de distribuție gratuită. Acest produs este conceput special pentru dezvoltatorii de sisteme corporative, precum și acei utilizatori care trebuie să fie convertiți în proceduri de înaltă optimizate create în STATISTICA NEURAL REȚELE. În aplicații externe pentru rezolvarea sarcinilor analitice complexe.

Metodele neuronale de rețea devin din ce în ce mai distribuite într-o mare varietate de zone.

Industrie:

Gestionarea procesului (în special, monitorizarea proceselor de producție cu reglementarea continuă a parametrilor de control).
Clasificarea probelor de combustibil (segmentarea soiurilor de combustibil pe baza analizei spectrelor lor).
Diagnosticarea tehnică (vibrații și zgomot într-o etapă timpurie determină defecțiunea în mecanism și conduce reparații preventive).
Sisteme de control al motorului (evaluarea nivelului consumului de combustibil utilizând datele senzoriale și controlul acestora).
Sisteme de detectoare cu comutare în timp real a fizicii. Rețelele neuronale sunt rezistente la zgomot și permit utilizarea modelelor robuste în datele fizice cu zgomot statistic mare.

Marketing:

Predicția prețurilor la aur;
Predicția prețurilor pentru materiile prime;
Tranzacționarea prin distribuție directă.

Finanţa:

Creșterea bonității (sarcini clasice - pe date chestionar pentru a determina dacă acest împrumutat ameliorează).
Predicția seriei de timp financiar.

Explorarea geologică:

Îmbunătățirea eficienței procesului de minerit (alocarea unor factori semnificativi care afectează indicatorii performanței performanței).

Alte industrii:

Recunoașterea optică a caracterelor, inclusiv recunoașterea semnăturii;
Procesarea imaginii;
Prognoza serii de timp haotice;
Diagnostic medical;
Sinteza discursului;
Analiza lingvistică.

În pachetul Statistică, problema predicției continue pare a fi o sarcină de regresie. În contextul acestei probleme, rețeaua neuronală este considerată o funcție neuronară, a căror complexitate este controlată de "semi-parametric" - numărul de elemente din rețea afectează complexitatea soluției, dar, desigur, Analistul nu poate vedea tipul explicit de funcție de regresie.

Este necesar să se construiască o rețea neuronală, calculând șeful conducerii în atmosferă, în funcție de numărul și tipul de transport de trecere. Datele sunt stocate în fișierul de plumb.xls.

Deschideți fișierul de plumb.xls în pachetul Statistica. Se afișează fereastra "Fișier de deschidere".

Smochin. 4. 33. Fereastra de import.

Trebuie să selectați opțiunea "Importați foaia selectată" și selectați numele fișei cu datele:

Smochin. 4. 34. Selectați foaia Excel pentru importurile la pachetul Statistica.

În fereastra următoare, trebuie să specificați parametrii reali ai datelor, care sunt de obicei definite și afișate automat (cu excepția ultimelor trei casete de selectare).

Smochin. 4. 35. Setarea zonei de import.

După aceasta, datele importate vor fi afișate în fereastră.

Smochin. 4. 36. Rezultatele importului.

Rulați pachetul de analiză utilizând rețele neuronale. Pentru a face acest lucru, selectați rețele neuronale din meniul de analiză.

Smochin. 4. 37. Selectarea unei metode de prelucrare a datelor - "Network Neural".

după aceasta, va apărea fereastra pachetului de rețele neurale statisticii:

Smochin. 4. 38. Analiza ferestrei de pornire "Rețele neuronale".

Faceți clic pe fila "Fast", unde trebuie să specificați tipul de sarcină de regresie și instrumentul Constructor de rețea.

Smochin. 4. 39. Rularea designerului de rețea neuronală.

Apoi, făcând clic pe butonul "OK", veți trece la modul de ieșire (dependent) și de intrare (independent). Ca primul, alegeți "plumb", și ca acesta din urmă - numărul de mașini din toate categoriile. Coloanele "Nr." Și "Streets" rămân neutilizate.

Smochin. 4. 40. Selectează intrarea și ieșirea pentru rețeaua neuronală.

Dacă faceți clic pe "OK", veți reveni la fila "Fast". Apoi, apăsând din nou butonul "OK", vă deplasați la fereastra de formare a rețelei neuronale. În fila "Quick", trebuie să selectați tipul de perceptron de rețea multi-strat,

Smochin. 4. 41. Alegerea unui tip de rețea neuronală.

Și pe fila "Elemente", puteți specifica numărul necesar de straturi, numărul de neuroni în fiecare, precum și tipul de funcție de activare:

Smochin. 4. 42. Setarea numărului de straturi și tipuri de neuroni.

Smochin. 4. 43. Alegerea unei metode de predare a Neoseti.

Aici făcând clic pe butonul "Exemplu", puteți specifica numărul de exemple de instruire, control și testare. Dacă specificați numărul de exemple de testare și control egal cu zero, rețeaua va fi instruită în toate exemplele:

Smochin. 4. 44. Definirea datelor pentru învățare și testare.

Revenind la fereastra principală de învățare, puteți să faceți clic pe butonul "Utilizator" și să vă întoarceți la fila "Interactivă", solicitați ca procesul de învățare să fie reflectat sub forma unui grafic:

Smochin. 4. 45. Setarea tipului de grafic pentru a demonstra procesul de învățare.

În cele din urmă, făcând clic pe butonul "OK", veți executa procesul de învățare, rezultatul căruia va fi afișat în program:

Smochin. 46. \u200b\u200bFormarea rețelei neuronale.

Făcând clic pe butonul "OK", vă veți muta în fereastra Rezultate unde puteți explora diferitele caracteristici ale rețelei create prin deplasarea prin filele ferestrei:

Smochin. 47. Rezultatele modelării rețelei neuronale.

De exemplu, în fila "Avansat", există un buton "Network Architecture" făcând clic pe pe care puteți vedea topologia rețelei construite:

Smochin. 4. 48. Vizualizarea rețelei neuronale construite.

ca și un buton "Observație de utilizator", unde puteți seta noi rețele de date sursă și puteți obține răspunsul la rețeaua de răspuns.

Și arătăm cum este organizată dialogul cu utilizatorul utilizatorului.

Acordați atenție unei interfețe și instrumente convenabile. , și Metoda de metrou multiplupermițând utilizatorilor să își proiecteze propriile rețele și să aleagă cele mai bune rezultate.

Deci, în primul rând, lansați rețele neuronale.

Pasul 1. Începeți de la panoul de pornire (căutați în figura 1).

În acest panou, puteți alege diferite tipuri de analize pe care trebuie să le executați: regresie, clasificare, predicție a seriei de timp (cu o variabilă dependentă continuă și categorică), analiza clusterului.

Smochin. 1. Porniți panoul STATISTICA Rețele neuronale automate (SANN)

Alegeți, de exemplu, Rânduri temporare (regresie)Dacă doriți să construiți o prognoză sau ClasificareDacă sarcina de clasificare este rezolvată.

apasa butonul O.Ktrecerea la caseta de dialog de selectare a datelor.

Smochin. 2. Caseta de dialog Netural Network - Selecția datelor - FAB FIL

Pasul 2. Pe tab-ul Rapid Ar trebui să selectați variabilele necesare pentru analiză. Variabilele pot fi continue și categorice, dependente și independente; În plus, observațiile pot aparține diferite eșantioane.

Smochin. 3. Fereastra de selecție variabilă

Pentru începători, se recomandă alegerea unei strategii. Un utilizator experimentat poate utiliza cu ușurință orice strategie disponibilă: Rețea neuronală automată (ANS), Rețea neuronală personalizată (PNS) și Vom alege Rețea neuronală automată (ANC).

Smochin. 4. Caseta de dialog Networks Neural - Selecția datelor - FAB FAST

Pe tab-ul Substabilități (PNS și ANS) Ar trebui să specificați partiționarea dorită a datelor privind subsamplele: instruire, control și testare. Partiția poate fi specificată randomly.și pot fi fixate utilizând un cod variabil suplimentar.

În acest caz, vom folosi o partiție aleatorie.

Smochin. 5. Box de dialog Networks Neural - Selecție de date - Tab (ANS și PNS)

Tablo Substabilități (PNS și ANS)proiectat pentru primele două strategii: Rețea neuronală automată (ANS) și Rețea neuronală personalizată (PNS); Și fila. Crearea de subsolurifolosit pentru ultima strategie: Metodă de mai multe subseme.

presa O.K Și treceți la pasul de stabilire a parametrilor arhitecturii.

Pasul 3. Pe tab-ul Rapid căsuță de dialog Rețele neuronale automatetrebuie să specificați tipul de rețea, numărul de neuroni ascunși, numărul de rețele instruite și salvate, precum și tipul de funcții de eroare utilizate.

Programul oferă următoarele tipuri de rețea: persistente multistrat și rețea de funcții de bază radiale.

Smochin. 6. Caseta de dialog de rețea automată a rețelei - fila Fast

Smochin. 7. Caseta de dialog de rețea neuronală automată - fila Funcție de activare pentru MLP

Pe tab-ul Attense. Puteți activa opțiunea de a regulariza scalele care vor ajusta complexitatea rețelelor instruite. Acest lucru este util atunci când sarcina are un număr mare de variabile de intrare, precum și un număr mare de neuroni pe un strat ascuns.

Dar în cazul nostru nu vom folosi acest lucru.

Smochin. 8. Caseta de dialog automată a rețelei neuronale - fila Plant

Acum puteți merge la pasul de învățare al rețelelor neuronale.

Pasul 4. Rulați procedura pentru învățarea rețelelor neuronale prin apăsarea butonului O.K.

În caseta de dialog, prezentată în fig. 9, sunt afișate câteva informații despre rețeaua neuronală curentă instruită. Putem analiza arhitectura rețelei, uitam la accidentul de iterații algoritm și fixați erorile modelelor. Regresia utilizează o eroare standard, procentul clasificării corecte a observațiilor este utilizat pentru clasificare (ca în cazul nostru).

Smochin. 9. Rețeaua neurală de învățare a dialogului

Programul trece automat la pasul următor.

Pasul 5. Analiza rezultatelor. În fereastra Rezultate, puteți analiza soluțiile. Programul va selecta cele mai bune rețele și va arăta calitatea soluției.

Smochin. 10. Rețele neuronale de dialog - Rezultate - Fila previzionată

Puteți alege o rețea specifică, mai bine în opinia noastră, utilizând butonul Selectați / eliminați rețelele.

Smochin. 11. Caseta de dialog Model Activare

De exemplu, o metodă de verificare este o comparație a valorilor observate și a rezultatelor prezise. Compararea valorilor observate și prezise pentru rețeaua selectată, de exemplu, pentru învățarea și probele de testare.

Smochin. 12. Tabelul valorilor observate și prezise

Sau vezi matricea de eroare de clasificare pe eșantionul de testare:

Smochin. 13. Clasificări Matrix.

Pasul 6. Salvați cele mai bune rețele pentru utilizare ulterioară, de exemplu, pentru a construi automat prognozele.

Pentru lansarea ulterioară, rețelele sunt stocate în format PMML.

Smochin. 14. Rețele neuronale de dialog - rețele de economisire a rezultatelor

Smochin. 15. Fereastra de salvare a fișierelor de rețea standard

Pasul 7. Rulați modele salvate pe date noi. Deci, încărcați date noi, dar variabilele coincid cu variabilele în modele.

Pentru a porni modelul pe date noi, puteți selecta opțiunea de pe panoul de pornire (figura 1) Descărcați modele din analizele anterioare Și să naționalizați butonul Încărcați rețele.

Smochin. 16. Fereastra de selectare a fișierelor de rețea standard

Primim:

Smochin. 17. Panou de pornire a rețelelor neuronale automate statistice (Sann)

După selectarea fișierului dorit, toate setările sunt determinate automat, astfel încât să puteți trece imediat la fereastra rezultate (apăsând de două ori butonul O.K) și analizați rezultatele obținute.

Acesta este scriptul tipic de studiu din pachet

Adnotare: Rețele și statistici neuronale. Rețele neuronale și logica fuzzy. Rețele neuronale și sisteme de experți. Rețele neuronale și fizica statistică.

Animalele sunt împărțite în:

deținută de împărat

nimic

domesticit,

suns.

sirenă

fabulos

câini separați

incluse în această clasificare,

alergând ca nebunul

nenumărat

tras cu cea mai bună perie din lână de cămilă,

alte

vaze de flori rupte.

au răspuns musculate.

H.L. Koheses, "Limba analitică John Wilkins"

Necrocomputerul are numeroase puncte de contact cu alte discipline și metodele lor. În special, teoria rețelelor neuronale utilizează aparatul mecanicii statistice și teoria optimizării. Domeniile aplicațiilor de neurocomputare se intersectează uneori sau aproape coincid cu aplicațiile statisticilor matematice, teoria seturilor fuzzy și a sistemelor de experți. Legăturile și paralelele de neurocomputare sunt extrem de diverse și indică versatilitatea sa. În această prelegere, care poate fi privită ca o suplimentare, deoarece necesită o pregătire matematică oarecum mai mare, vom vorbi doar despre cele mai importante dintre ele.

Rețele și statistici neuronale

Deoarece rețelele neuronale în prezent sunt utilizate cu succes pentru a analiza datele, este oportun să le comparem cu metode statistice vechi bine dezvoltate. În literatura de specialitate, este uneori posibilă pentru a satisface declarația că abordările cele mai frecvent utilizate în rețeaua neuronală nu sunt altceva decât regresia ineficientă și modele discriminante. Am observat deja înainte rețele neuronale multistrat S-ar putea să rezolve într-adevăr problemele de tip de regresie și clasificare. Cu toate acestea, în primul rând, prelucrarea acestor rețele neuronale este semnificativ mai diversă în natură - amintire, de exemplu, o clasificare activă a rețelelor Hopfield sau a semnelor Kohonen, care nu au analogi statistici. În al doilea rând, multe studii privind utilizarea rețelei neuronale în finanțe și de afaceri au arătat avantajele lor față de metodele statistice dezvoltate anterior. Luați în considerare rezultatele comparației metodelor de rețea neuronală și a statisticilor matematice.

Sunt rețelele neuronale ale limbii de descriere?

După cum sa menționat deja, unele statistici susțin că abordările rețelei neuronale ale procesării datelor sunt pur și simplu renovate și reformulate, dar bine cunoscute metode de analiză statistică. Cu alte cuvinte, neurocomputarea folosește pur și simplu o nouă limbă pentru a descrie cunoștințele vechi. De exemplu, oferim un citat de la Warren Sirla:

Mulți cercetători de rețele neuronale sunt ingineri, fizicieni, neurofiziologi, psihologi sau specialiști în computere care știu puțin despre statistici și optimizarea neliniară. Cercetătorii de rețea neurală convertesc în mod constant metode care sunt cunoscute în literatura matematică și statistică, cu decenii și secole, dar adesea se dovedesc a fi în măsură să înțeleagă cum funcționează aceste metode

Un punct de vedere similar, la prima vedere, poate părea rezonabil. Formalizarea rețelelor neuronale este într-adevăr capabilă să pretindă rolul unei limbi universale. Nu a fost întâmplător că, în lucrarea de pionierat de McCally și Pitts, sa demonstrat că descrierea rețelei neuronale este echivalentă cu o descriere a logicii declarațiilor.

Am descoperit de fapt că, cu ajutorul tehnicii pe care am dezvoltat-o \u200b\u200bîn lucrarea din 1961 (...), aș putea răspunde cu ușurință la toate întrebările pe care le-am învins în creier (...) sau pe computer. În calitate de fizician, am știut bine că teoria, care explică totul, de fapt, nu explică nimic: în cel mai bun caz, este o limbă. Eduardo Kayenello.

Nu este surprinzător faptul că statisticile descoperă adesea că conceptele lor obișnuite au analogii lor în teoria rețelelor neuronale. Warren Sirl a fost un dicționar de cuvinte mic folosit în aceste două zone.

Tabelul 11.1. Dicționar de Termeni similari

Rețele neuronale	Metode statistice.
Semne.	variabile
intrări	variabile independente
ieșiri	valorile prezise
valorile țintă	variabile dependente
eroare	inquid.
instruire, adaptare, autoorganizare	evaluare
funcția de eroare, funcția Lyapunov	criteriu de evaluare
formarea imaginilor (cupluri)	observații
parametrii rețelei: Greutate, praguri.	Parametrii estimați
neuroni de înaltă ordine	interacţiune
conexiuni funcționale	transformare
instruirea cu profesor sau heteroassocie	regresia și analiza discriminantă
Învățați fără un profesor sau o autosocieție	compresie de date.
Învățarea concurențială, cuantificare vectorială adaptabilă	analiza grupului
generalizare	interpolare și extrapolare

Care este diferența dintre rețelele neuronale și statisticile?

Care este similitudinea și distincția limbilor și statisticilor neurocompuficiente în analiza datelor. Luați în considerare cel mai simplu exemplu.

Să presupunem că am efectuat observații și perechi de puncte măsurate experimentale reprezentând o dependență funcțională. Dacă încercați să petreceți cea mai bună cale prin aceste puncte, că în limba statisticilor vor fi folosite pentru a descrie dependența necunoscută a modelului liniar (unde indică zgomotul atunci când efectuează observații), atunci soluția problemei de regresie liniară corespunzătoare este Reducerea valorilor de evaluare a parametrilor care minimizează suma reziduurilor patrate.

Dacă parametrii și găsiți, atunci puteți estima valoarea y pentru orice valoare x, care este interpolarea și extrapolarea datelor.

Aceeași sarcină poate fi rezolvată folosind rețea cu un singur strat Cu singura intrare și numai neuron de ieșire liniară. Comunicarea A și pragul B poate fi obținut prin minimizarea aceleiași valori reziduale (care în acest caz va fi numită eroare RMS) în timpul rețelei de rețea, de exemplu, prin metoda de backpropagare. Proprietățile rețelei neuronale la generalizare vor fi utilizate pentru a prezice valoarea de ieșire de valoarea de intrare.

Smochin. 11.1.

La compararea acestor două abordări, este imediat lovită că, atunci când descrieți metodele sale, statisticile apelează la formulele și ecuațiile și neurocompunerea la descrierea grafică a arhitecturilor neuronale.

Dacă ne amintim că cu formule și ecuații, acesta operează emisfera stângă și cu imagini grafice, se poate înțelege că "dreapta" a abordării rețelei neuronale apare în comparație cu statisticile.

O altă diferență semnificativă este că metodele de statistici nu contează modul în care nefericitul este minimizat - în orice caz, modelul rămâne același, în timp ce pentru neurocompunerea, se joacă metoda de învățare. Cu alte cuvinte, spre deosebire de abordarea rețelei neuronale, evaluarea parametrilor modelului pentru metodele statistice nu depinde metoda de minimizare. În același timp, statisticile vor lua în considerare modificările tipului de rezidual, să spunem

Ca o schimbare fundamentală a modelului.

Spre deosebire de o abordare a rețelei neuronale, în care termenul principal ia formarea rețelelor, cu o abordare statistică de acest timp este cheltuit pe o analiză aprofundată a sarcinii. În același timp, experiența statisticienilor este utilizată pentru a selecta un model bazat pe analiza datelor și a informațiilor specifice acestei zone. Utilizarea rețelelor neuronale - acești aproximatori universali este de obicei efectuată fără utilizarea unei cunoștințe priori, deși, în unele cazuri, este foarte utilă. De exemplu, pentru modelul liniar în considerare, utilizarea unei erori precise medii duce la obținerea unei estimări optime a parametrilor săi, când valoarea de zgomot are o distribuție normală cu aceeași dispersie pentru toate perechile de antrenament. În același timp, dacă se știe că aceste dispersii sunt diferite, utilizarea unei funcții de eroare suspendate

Acesta poate oferi valori semnificativ mai bune ale parametrilor.

În plus față de modelul de mai sus, pot fi date exemple de alții într-un sentiment de modele echivalente de statistici și paradigme de rețea neuronală.

Rețeaua Hopfield are o conexiune evidentă cu gruparea de date și analiza factorilor lor.

Analiza factorilor Folosit pentru a studia structura de date. Parcela sa în principal este presupunerea existenței unor astfel de semne - factori care nu pot fi observați direct, dar pot fi evaluați prin mai multe caracteristici primare observate. De exemplu, astfel de semne, ca volumul de producție și costul activelor fixe, pot determina un astfel de factor ca amploarea producției. Spre deosebire de rețelele neuronale care necesită instruire, analiza factorilor poate funcționa numai cu un anumit număr de observații. Deși, în principiu, numărul acestor observații ar trebui să depășească numai numărul de variabile. Se recomandă utilizarea cel puțin un număr mare de valoare. Acesta este încă considerat mai puțin decât volumul eșantionului de instruire pentru rețeaua neuronală. Prin urmare, statisticile indică avantajul analizei factorilor, care constă în utilizarea unui număr mai mic de date și, în consecință, conducând la o generație mai rapidă a modelului. În plus, acest lucru înseamnă că implementarea metodelor de analiză a factorilor necesită o computere mai puțin puternice. Un alt avantaj al analizei factorilor este că este metoda de tip alb-box, adică. Este complet deschis și de înțeles - utilizatorul poate realiza cu ușurință motivul pentru care modelul oferă unul sau alt rezultat. Comunicarea analizei factorilor cu modelul Hopfield poate fi văzută, amintindu-și vectorii baza minimă Pentru un set de observații (imagini de memorie - vezi prelegerea 5). Acești vectori sunt analogi ai factorilor care combină diverse componente ale vectorilor de memorie - semne primare.

Multe concepte referitoare la metodele rețelelor neuronale sunt cel mai bine explicate prin exemplul unui program specific de rețea neurală. Prin urmare, în această secțiune vor exista multe referințe la pachet. Statistica. Rețele neuronale (abreviat, pachetul de rețea de rețea Netonic StatSoft Netonic), care este implementarea întregului set de metode de analiză a datelor.

În ultimii ani, urmăm o explozie de interes în rețelele neuronale care sunt utilizate cu succes în diverse domenii - afaceri, medicină, tehnică, geologie, fizică. Rețelele neuronale au intrat în practică peste tot, unde trebuie să rezolvați problemele de prognoză, clasificare sau management. Un astfel de succes impresionant este determinat de mai multe motive:

Rețelele neuronale reprezintă o metodă de modelare extrem de puternică, care permite reproducerea dependențelor extrem de complexe. În special, rețelele neuronale sunt nellineoar în natura lor (semnificația acestui concept este explicată în detaliu mai târziu în acest capitol). Timp de mulți ani, simularea liniară a fost metoda principală de modelare în majoritatea zonelor, deoarece procedurile de optimizare sunt bine dezvoltate pentru aceasta. În sarcini, în cazul în care armonizarea liniară este nesatisfăcătoare (și există multe astfel de modele), modelele liniare funcționează prost. În plus, rețelele neuronale fac ca "blestemul de dimensiune", care nu permite modelarea dependențelor liniare în cazul număr mare. Variabile

Rețelele neuronale învață din exemple. Utilizatorul rețelei neuronale selectează date reprezentative și apoi lansează algoritmul de învățare care percepe automat structura de date. În același timp, de la utilizator, desigur, este necesar un fel de cunoștințe euristice despre modul de selectare și pregătire a datelor, selectați arhitectura de rețea dorită și interpretați rezultatele, totuși, nivelul de cunoștințe necesare pentru utilizarea cu succes a Rețelele neuronale sunt mult mai modeste decât, de exemplu, atunci când se utilizează metode de statistică tradițională.

Rețelele neuronale sunt atractive din punct de vedere intuitiv, deoarece se bazează pe un model biologic primitiv de sisteme nervoase. În viitor, dezvoltarea unor astfel de modele neuro-biologice poate duce la crearea unor computere cu adevărat gânditoare. Între timp, rețelele neuronale "simple", care construiesc sistemul Networks St Neural, sunt arme puternice în arsenalul unui specialist în statistici aplicate (rețele neuronale. Statistică neuronală rețele: metodologia și tehnologia analizei moderne de date.).

Rețelele neuronale au apărut din cercetarea în domeniul inteligenței artificiale, și anume din încercările de a reproduce capacitatea sistemelor nervoase biologice de a studia și de a corecta erorile prin simularea structurii creierului la nivel scăzut (Patterson, 1996). Domeniul principal de cercetare privind inteligența artificială în anii '80 au fost sisteme de experți. Astfel de sisteme s-au bazat pe modelare la nivel înalt a procesului de gândire (în special, asupra reprezentării că procesul de gândire este construit pe manipulări cu simboluri). În curând a devenit clar că astfel de sisteme, deși pot beneficia în unele zone, nu profită de anumite aspecte cheie ale inteligenței umane. Potrivit unuia dintre punctele de vedere, motivul este că acestea nu sunt capabile să reproducă structura creierului. Pentru a crea inteligență artificială, este necesar să se construiască un sistem cu o arhitectură similară.

Creierul constă dintr-un număr foarte mare (aproximativ 10.000.000.000) neuroni conectați prin numeroase conexiuni (în medie, câteva mii de conexiuni pe neuron, dar acest număr poate fluctua mult). Neuronii sunt celule speciale capabile să distribuie semnale electrochimice. Neuron are o structură extinsă de introducere a informațiilor (dendrite), producție de bază și ramificație (Akson). Axonii celulari sunt conectați la dendritele altor celule folosind sinapses. La activarea neuronului trimite un semnal electrochimic în funcție de axonul său. Prin sinapses, acest semnal atinge alte neuroni care pot fi activate la rândul lor. Neuronul este activat când semnalele totale care au venit la kernelul său de la dendrite vor depăși un anumit nivel (prag de activare).

Intensitatea semnalului obținut prin neuron (și, în consecință, posibilitatea activării sale), depinde puternic de activitatea sinapselor. Fiecare sinapse are o lungime, iar substanțele chimice speciale transmit un semnal de-a lungul acesteia. Unul dintre cei mai autoritari cercetători neurosistem, Donald Hebb, și-a exprimat postulatul că formarea este în primul rând o schimbare în "forța" legăturilor sinaptice. De exemplu, în experiența clasică a lui Pavlov, de fiecare dată când un clopot a numit clopotul imediat înainte de a alimenta câinele, iar câinele a învățat repede să leagă clopotul clopotului cu alimente. Legăturile sinaptice dintre secțiunile cortexului cerebral, responsabile pentru zvonul și glandele salivare s-au intensificat, iar în timpul entuziasmului cortexului sunetul clopotului, câinele a început să salină.

Astfel, fiind construit dintr-un număr foarte mare de elemente complet simple (fiecare dintre care are o cantitate ponderată de semnale de intrare și, în cazul în care intrarea totală depășește un anumit nivel, transmite un semnal binar suplimentar), creierul este capabil să rezolve extrem de sarcini complexe. Desigur, nu am afectat aici multe aspecte complexe ale dispozitivului creierului, dar este interesant faptul că artificialrețelele neuronale sunt capabile să obțină rezultate remarcabile folosind un model care nu este mult mai complicat decât cel descris mai sus.