Parametrik va metrik usullar o'rtasidagi ma'lum bir kelishuv tasniflash muammolarini hal qilish uchun neyron tarmoqlardan foydalanish hisoblanadi
Download 29.71 Kb.
|
klass (1)
- Bu sahifa navigatsiya:
- Tarmoq hajmini tanlash
Bu erda chiqishdagi 1 komponentlardan birining mavjudligini bildiradi. Keyin, tarmoqni hisoblash natijasidan sinf raqamini quyidagicha aniqlash mumkin: biz qaysi kombinatsiyalar bitta (aniqrog'i, birga yaqin) chiqish qiymatini olganligini (ya'ni, qaysi kichik vazifalar faollashtirilganligini) aniqlaymiz va biz sinf deb faraz qilamiz. raqam faollashtirilgan pastki vazifalarning eng ko'p sonini kiritgan raqam bo'lishi kerak (jadvalga qarang).
Ko'pgina muammolarda ushbu kodlash usuli klassik yondashuvlarga qaraganda yaxshiroq tasniflash natijalarini olish imkonini beradi. Tarmoq hajmini tanlash Samarali klassifikatorni qurish uchun tarmoq hajmini to'g'ri tanlash, ya'ni o'quv jarayonida sozlangan neyronlar orasidagi ulanishlar sonini va uning ishlashi davomida kiritilgan ma'lumotlarni qayta ishlash juda muhimdir. Bir tomondan, agar tarmoqda og'irliklar kam bo'lsa, u holda murakkab sinflarni ajratish funktsiyalarini amalga oshira olmaydi. Boshqa tomondan, ulanishlar sonining ko'payishi modelning axborot sig'imining oshishiga olib keladi (og'irliklar xotira elementlari sifatida ishlaydi). Natijada, tarmoqdagi ulanishlar soni o'quv majmuasi misollari sonidan oshib ketganda, tarmoq ma'lumotlardagi bog'liqliklarni yaqinlashtirmaydi , balki o'quv misollaridan kirish-chiqish kombinatsiyalarini shunchaki eslab qoladi va takrorlaydi. Bunday tasniflagich o'quv ma'lumotlarida juda yaxshi ishlaydi va o'quv jarayonida ishtirok etmagan yangilariga o'zboshimchalik bilan javob beradi. Boshqacha qilib aytganda, tarmoq umumlashtiruvchi qobiliyatga ega bo'lmaydi va uning asosida qurilgan klassifikatordan amalda foydalanish befoyda bo'ladi. Tarmoq hajmini to'g'ri tanlash uchun ikkita yondashuv qo'llaniladi - konstruktiv va halokatli. Birinchisi, birinchi navbatda minimal o'lchamdagi tarmoq olinadi, so'ngra kerakli aniqlikka erishilgunga qadar u asta-sekin oshiriladi. Bundan tashqari, har bir o'sishdan keyin u qayta o'qitiladi. Kaskad korrelyatsiyasi deb ataladigan usul ham mavjud bo'lib, unda har bir o'quv davri tugagandan so'ng, xatoni minimallashtirish uchun tarmoq arxitekturasi o'rnatiladi. Buzg'unchi yondashuvda birinchi navbatda katta hajmli tarmoq olinadi, so'ngra undan tasniflagichning aniqligiga eng kam ta'sir ko'rsatadigan neyronlar va ulanishlar olib tashlanadi. Shu bilan birga, quyidagi qoidani eslash foydalidir: o'quv to'plamidagi misollar soni maxsus tarmoq og'irliklari sonidan ko'p bo'lishi kerak. Aks holda, tarmoq umumlashtirish qobiliyatiga ega bo'lmaydi va yangi ma'lumotlar bo'yicha o'zboshimchalik bilan qiymatlarni ishlab chiqaradi. Tarmoqning umumlashtirish qobiliyatini nazorat qilish uchun, uning asosida tasniflagich qurilgan, o'quv ma'lumotlar to'plamining tasodifiy tanlangan misollaridan tuzilgan test to'plamidan foydalanish foydalidir. Sinov to'plamining misollari tarmoqni o'qitish jarayonida ishtirok etmaydi (ya'ni, uning og'irliklarini sozlashga ta'sir qilmaydi), lekin oddiygina ta'lim misollari bilan birga uning kiritilishiga beriladi . Agar tarmoq o'quv va test to'plamlarida yuqori aniqlik ko'rsatsa (buning misollari, aslida, yangi ma'lumotlar rolini o'ynaydi), unda biz tarmoq umumlashtirish qobiliyatiga ega bo'lgan deb aytishimiz mumkin. Agar tarmoq faqat o'quv ma'lumotlari bo'yicha yaxshi natijalarni bersa va test ma'lumotlari bo'yicha yomon natijalarni bersa, u holda umumlashtirish qobiliyatiga ega bo'lmagan. Ko'pincha, o'quv majmuasidagi tarmoq xatosi o'rganish xatosi deb ataladi va test to'plamida umumlashtirish xatosi . O'quv va test to'plamlarining o'lchamlari nisbati, qoida tariqasida, har qanday bo'lishi mumkin. Asosiysi, modelni sifatli tayyorlash uchun o'quv majmuasida etarlicha misollar mavjud. Tarmoqning umumlashtirish qobiliyatini yaxshilashning aniq usuli bu o'quv misollari sonini ko'paytirish yoki havolalar sonini kamaytirishdir. Birinchisi, ma'lumotlar to'plamining cheklangan hajmi va hisoblash xarajatlarining oshishi tufayli har doim ham mumkin emas. Ulanishlar sonini kamaytirish tarmoqning aniqligining yomonlashishiga olib keladi. Shuning uchun, modelning o'lchamini tanlash ko'pincha juda qiyin ish bo'lib, bir nechta tajribalarni talab qiladi. Download 29.71 Kb. Do'stlaringiz bilan baham: 
|