16-amaliy ish. Miyadan meros olgan neyr tarmoqlarning xususiyatlari

20-AMALIY ISHI. NEYR TARMOQI MATEMATIK MODELLASH ORQALI AKLI MA’LUMOTLARNI TAHLIL OLISH ALGORITMMI.
Perseptronlarga asoslangan matematik modellashtirish usulini o'rganishni yakunlab, natijada biz uni qo'llashning taxminiy algoritmini keltiramiz.

1-rasm.Neyron tarmog'ini matematik modellashtirish usulini qo'llash uchun tavsiya etilgan sxema
1-bosqich. Muammoni bayon qilish
Ushbu bosqichda modellashtirish maqsadlari aniqlanadi, modelning kirish va chiqish parametrlari, shuningdek kirish vektor X va chiqish vektorining tuzilishi (tarkibi va uzunligi) o'rnatiladi.
X kirish vektorining komponentlari sifatida muhim parametrlarni - natijaga sezilarli ta'sir ko'rsatadiganlarni tanlash muhimdir. Agar ma'lum bir kirish parametrining ahamiyati haqida shubha tug'ilsa, kelajakda yaratilgan neyron tarmoqdan foydalanib, ushbu parametrning ta'sir darajasini baholash mumkin bo'lishiga umid qilib, uni kirish vektoriga kiritish yaxshiroqdir. natija bo'yicha. Agar uning ta'siri zaif bo'lib chiqsa, keyingi ishlarda bu parametrni chiqarib tashlash kerak.
Chiqish vektori D shunday tuzilganki, uning tarkibiy qismlari barcha berilgan savollarga javob olish imkonini beradi.
Kirish vektori X va chiqish vektori D ning komponentlari sonlardir. Bu ba'zi qiymatlarning qiymatlari bo'lishi mumkin, masalan, tana harorati, qon bosimi, yurak urish tezligi va boshqalar. Bular, shuningdek, biron bir belgining mavjudligi yoki yo'qligini kodlaydigan raqamlar bo'lishi mumkin, masalan, jinsi erkak bo'lsa, bittasi va ikkitasi agar jinsi ayol bo'lsa. Ba'zi hollarda, agar ma'lumotlar noaniq bo'lsa va uning to'g'riligiga shubha tug'ilsa, ularning ehtimollik taxminini kodlash foydali bo'ladi. Misol uchun, agar shifokor tashxisning to'g'riligiga shubha qilsa, u tashxisning o'zini emas, balki uning ehtimolini yoki kasallikning rivojlanish darajasini o'n yoki yuz balllik tizimdan foydalangan holda kodlashi mumkin.
2-bosqich. Misollarni shakllantirish
Bu bosqichda kirish va chiqish vektorlarining mazmuni shakllanadi. Natijada, Xq–Dq (q = 1, . . ., Q) juftliklari to'plami yaratiladi, bunda bunday juftlik mavzu sohasini tavsiflovchi misolni tashkil qiladi. Xq va Dq vektorlari tarkibiy qismlarining qiymatlari turli yo'llar bilan shakllantirilishi mumkin: sotsiologik so'rovlar, ekspert baholashlari, so'rovnomalar, ommaviy axborot vositalaridan, tashkilotlarning arxiv materiallaridan olingan mavzu bo'yicha maxsus eksperimentlar o'tkazish orqali olinadi. tarmoqlar, Internet forumlari va boshqa manbalar.
Neyron tarmoqqa kiritish uchun tayyorlangan raqamli ma'lumotlarni normallashtirish maqsadga muvofiqdir - uni [0, 1] yoki [ diapazoniga keltiring.−o'n bir].
Misollarning butun to'plami mashg'ulot L va test T ga bo'linadi (6.1-rasmga qarang). Odatda, test majmuasining o'lchami o'quv majmuasining kamida 10-15 foizini tanlaydi. O'quv majmuasining talab qilinadigan minimal hajmi muammoga bog'liq. Ilgari, o'quv majmuasining minimal ruxsat etilgan hajmini hisoblash uchun quyidagi formula tavsiya etilgan: Q = 7·Nx+ 15 [19], bu erda Nx - neyron tarmoq modelining kirish parametrlari soni. Biroq, neyron tarmoq texnologiyalaridan foydalanish amaliyotida muammolarni hal qilish uchun sezilarli darajada kamroq miqdordagi o'quv misollari etarli bo'lgan holatlar mavjud.
O'quv to'plami L va test to'plami T ga qo'shimcha ravishda bir xil mavzu sohasiga tegishli bo'lgan, lekin L to'plam yoki T to'plami bilan kesishmaydigan misollardan P tasdiqlovchi to'plami ham hosil bo'ladi (6.1-rasmga qarang). P to'plamining hajmi odatda L to'plamining hajmining 10% dan oshmasligi tavsiya etiladi.