Parametrik va metrik usullar o'rtasidagi ma'lum bir kelishuv tasniflash muammolarini hal qilish uchun neyron tarmoqlardan foydalanish hisoblanadi


NN dan klassifikator sifatida foydalanish xususiyatlari


Download 29.71 Kb.
bet2/6
Sana23.01.2023
Hajmi29.71 Kb.
#1113280
1   2   3   4   5   6
Bog'liq
klass (1)

NN dan klassifikator sifatida foydalanish xususiyatlari
Shuni ta'kidlash kerakki, NN uchun tasniflash muammosi, umuman olganda, asosiy muammo emas (masalan, qaror daraxtlari yoki eng yaqin qo'shnilar algoritmi uchun). Dastlab, NN uchun asosiy vazifa raqamli bashoratdir (modelning kirish va chiqishi raqamli qiymatlar bo'lsa, ba'zida bu regressiya deb nomlanmaydi ).
kategorik ma'lumotlar bilan ishlashga moslashtirish mumkin , ya'ni. kirish sifatida kategorik qiymatlarni qabul qilish va chiqishda kategorik qiymatlarni yaratish. Buning uchun toifali xususiyatlar raqamli qiymatlar yordamida mos ravishda kodlanadi.
Shunga qaramay, NN dan tasniflagich sifatida foydalanishning bir qator afzalliklari mavjud:

  • NN o'z-o'zini o'rganadigan modellar bo'lib, ularning ishlashi amalda foydalanuvchi aralashuvini talab qilmaydi;

  • har qanday uzluksiz funksiyani maqbul aniqlik bilan yaqinlashtirish imkonini beruvchi universal yaqinlashtiruvchilar ;

  • NN - chiziqli bo'lmagan modellar, bu hatto sinflarning chiziqli bo'linishi bo'lmagan taqdirda ham tasniflash masalalarini samarali hal qilish imkonini beradi (1-rasm).


Shakl 1. Sinflarning chiziqli bo'linishi
Ta'kidlash joizki, tasniflash uchun maxsus neyron tarmoq arxitekturalari mavjud emas. Tasniflash uchun eng ko'p qo'llaniladigan NN arxitekturasi oldinga uzatiladigan tarmoqlar bo'lib, ularning kirish neyronlari tasniflanayotgan ob'ekt xususiyatlarining qiymatlari bilan ta'minlanadi va chiqishda sinfning yorlig'i yoki raqamli kodi shakllanadi. Ko'pincha ko'p qatlamli perseptronlar ishlatiladi . Bunday tarmoqlarda xususiyat vektorining elementlari kirish neyronlariga etib boradi va neyron tarmoqning birinchi yashirin qatlamining barcha neyronlariga taqsimlanadi va buning natijasida muammoning o'lchami o'zgaradi.
Shunday qilib, keyingi qatlamlar ob'ektlarni asl o'lchamidan yuqori o'lchamdagi xususiyat maydonidagi sinflarga ajratadi. Misol uchun, agar kirish ma'lumotlari xususiyati vektorining o'lchami 4 bo'lsa va yashirin qatlamda 6 ta neyron bo'lsa, u holda chiqish qatlami ob'ektlarni 6 o'lchovli fazoda sinflarga ajratadi.
Bu jarayonni yanada samaraliroq qilish imkonini beradi: neyron tarmog‘ining to‘g‘ri konfiguratsiyasi va parametrlarini tanlab, faqat o‘quv ma’lumotlari o‘lchamida ishlaydigan boshqa turdagi tasniflagichlar maqbul natijalarni bermagan hollarda ham yaxshi tasniflash natijalarini olishingiz mumkin. . Kamchilik shundaki, xususiyat fazosi sinfini ajratish funktsiyasiga eng yaqin keladigan tarmoq konfiguratsiyasi oldindan ma'lum emas. Shuning uchun uni eksperimental ravishda tanlash yoki shunga o'xshash echimlar tajribasidan foydalanish kerak.
Agar sinflarni taqsimlash shunday bo'lsa, ularni ajratish uchun murakkab funktsiya kerak bo'lsa, NN o'lchami qabul qilib bo'lmaydigan darajada katta bo'lishi mumkin. Bunday holda, muammoni dastlabki ma'lumotlarni maxsus qayta ishlash yordamida bartaraf etish mumkin.

Download 29.71 Kb.

Do'stlaringiz bilan baham:
1   2   3   4   5   6




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©fayllar.org 2024
ma'muriyatiga murojaat qiling