Laboratuvar çalışma istatistikleri sinir ağları. İSTATİSTİK Otomatik Sinir Ağları Otomatik sinir ağları. İSTATİSTİK Sinir ağı hesaplamasında Sinir Ağları

Hastaların belirli bir izleme geçmişi boyunca, bir dizi veri birikmiş ve STATISTICA sistemindeki bir tabloda saklanmıştır. İlgili Veri Tablosu Şekil 6'da gösterilmektedir.

Şekil 6. Kaynak veri tablosunun parçası

Çalışmanın amacı, belirli bir dizi başlangıç ​​verisine (hasta muayene verileri, test sonuçları, kabul öncesi tedavi) dayanarak, hastanede reçete edilen tedaviyi temel alarak hastanın hastalığına ilişkin prognoz üretecek bir sinir ağı modeli oluşturmaktır. tedavi (hastaneye kabul değerleri I-APFARA, BAB, BKK, diüretikler, merkezi etkili ilaçlar) yeterli doğrulukla.

Sorunun doğrusal olmadığı gerçeği şüphe götürmez. Elbette STATISTICA Doğrusal Olmayan Tahmin modülünü kullanarak, yani fonksiyon tipini "el yordamıyla" bulmak için bu modülün sunduğu yinelemeli prosedürleri kullanarak sorunu çözmeye çalışılabilir. Ancak burada çözüm bulma prosedürünü önemli ölçüde uzatan bir takım sıkıntılar var. Bunlardan en önemlisi, incelenen bağımlılığın açık biçimi hakkında, hiç de açık olmayan bir hipotezin formüle edilmesidir.

Ek araştırma yapılmadan bağımlılığın bariz türü hakkında bir şey söylemek zordur. Üstelik bir faktörü daha hesaba katmadığımızı da belirtmek gerekir. Genel olarak böyle bir problemi doğrusal olmayan tahmin yöntemleri kullanarak çözmek çok uzun zaman alabilir veya hiçbir sonuca varmayabilir. Böyle kritik durumlarda, bilindiğinde

Değişkenler arasında bir ilişki vardır;

İlişki kesinlikle doğrusal değildir;

Bağımlılığın bariz şekli hakkında bir şey söylemek zor,

Sinir ağı algoritmaları yardımcı oluyor. STATISTICA Sinir Ağları modülünde bu sorunu çözmenin bir yolunu düşünelim.

Ne yazık ki, belirli bir sorunu çözmek için hangi sinir ağı topolojisinin takip edilmesi gerektiğini gösteren evrensel kurallar yoktur. Bu nedenle doğru ağı bulmak için makul bir prosedür gereklidir.

STATISTICA sisteminin Sinir Ağları modülü, istenen ağ konfigürasyonunun aranmasını düzenleyen bir prosedür içerir. Bu prosedür, farklı mimarilere sahip çok sayıda ağın oluşturulması ve test edilmesinden ve daha sonra bunlar arasından verilen problemin çözümü için en uygun ağın seçilmesinden oluşur. Bu araca Akıllı Sorun Çözücü denir. Sinir Ağları modülünü başlatmak için STATISTICA - İstatistik sisteminin ana menüsündeki aynı isimli komutu kullanmanız gerekmektedir. (Şekil 7)

Şekil 7. Sinir Ağları modülünün başlatılması

Şu tez çok yaygındır: “sinir ağları evrensel yapı, herhangi bir algoritmayı uygulamanıza izin verir." Bu ifadeye körü körüne inanarak, önerilen bağımlılığı hemen "yakalayacak" (yani, ön keşif analizi olmadan) bir sinir ağı oluşturmaya çalışalım.

Modern bilimin henüz çözemediği en önemli konulardan biri, istenen çok boyutlu doğrusal olmayan bağımlılığı yeniden üretebilecek bir sinir ağının yapısı sorunudur. Aslında, Kolmogorov'un 1957'de kanıtladığı tamlık teoremi, bir sinir ağının herhangi bir (çok önemli - sürekli) işlevi yeniden üretebildiğini belirtir. Ancak araştırmacıya böyle bir ağ oluşturmanın reçetesini sunmuyor. 1988'de bazı yazarlar Kolmogorov teoremini genelleştirdiler ve herhangi bir sürekli fonksiyonun, bir gizli katmana sahip üç katmanlı bir sinir ağı ve herhangi bir doğruluk derecesine sahip bir geri yayılım algoritması ile yaklaşık olarak tahmin edilebileceğini gösterdi. Dolayısıyla bizim durumumuzda olumlu yön, ağın üç katmanlı olması gerektiği bilgisidir, ancak yine de "herhangi bir doğruluk derecesi" ile ara katmandaki nöron sayısı arasındaki ilişkiyi kuran hiçbir kural yoktur. gizli katman denir.

Yukarıdakilerin hepsini özetleyerek, belirli bir sorunu çözmek için hangi sinir ağı topolojisinin takip edilmesi gerektiğini gösteren evrensel kuralların bulunmadığını not ediyoruz. Bu nedenle doğru ağı bulmak için makul bir prosedür gereklidir.

STATISTICA sisteminin Sinir Ağları modülü, istenen ağ konfigürasyonunun aranmasını düzenleyen benzersiz bir prosedür içerir. Bu araca Akıllı Sorun Çözücü denir. Bu aracı kullanalım ve sorunumuzu çözebilecek bir sinir ağı arayalım.

Şekil 8. Sinir Ağları modülü başlatma paneli

Bu iletişim kutusunun Hızlı sekmesinde, Sorun Türü bölümünde karşılaştığımız sorun sınıfının seçilmesi önerilmektedir. Amacımız çok değişkenli bir ilişki veya başka bir deyişle çok değişkenli doğrusal olmayan regresyon oluşturmaktır. Bu, Sorun Türü bölümünde Regresyon'u belirtmeniz gerektiği anlamına gelir.

Görev sınıfına karar verdikten sonra Analizi gerçekleştirmek için değişkenleri belirlemek gerekir. Değişkenleri seçmek için Değişkenler düğmesini kullanın. Bu düğmeye tıkladığınızda Giriş (bağımsız), çıkış (bağımlı) ve seçici değişkenleri seç iletişim kutusu görüntülenir. Bu iletişim kutusunda iki değişken listesi belirtmeniz gerekir. Bizim olgumuzda sürekli çıktılar; hastaneye yatış ACEI/ARB, hastaneye yatış BAB, hastaneye yatış BKK, diüretiklerle hastaneye yatış ve merkezi etkili ilaçların hastaneye yatışı değişkenleridir. Örneğimizde sürekli girişler 1'den 61'e kadar başlangıç ​​parametreleridir.

Şekil 9. Analiz için değişkenlerin seçilmesi

Analiz seç bölümünde iki seçenek mevcuttur: Akıllı Sorun Çözücü ve Özel Ağ Tasarımcısı. Sinir ağı parametrelerini otomatik olarak seçmek için varsayılan olarak ayarlanan ilk seçenek gereklidir. Analize devam etmek için Tamam'a tıklayın.

Bir sonraki adımda Akıllı Sorun Çözücü kurulumu iletişim kutusu görünür.

Hızlı bölüm, sinir ağı arama algoritmasının yürütme süresinden sorumlu olan bir grup seçeneği içerir. Bu sekmede, test edilmesi gereken ağ sayısını belirtmeniz (formüle edilen sorunu çözmeye uygun olup olmadıklarını öğrenmek için) ve ayrıca bu ağlardan kaçının nihai rapora dahil edileceğini belirtmeniz gerekir.

Test edilen ağlar bölümünde 100, tutulan ağlar - 10'u belirtiyoruz (Şekil 10)

Türler sekmesi, test sürecinde ne tür sinir ağlarının kullanılacağını belirtir. Doğrusal olmayan regresyon sorununu çözmek için çok katmanlı bir algılayıcı en uygunudur, bu nedenle Şekil 11'de işaretlenen ağları seçiyoruz.

Şekil 10. Test edilecek ağ sayısını ayarlama

Şekil 11. Bir ağ mimarisi seçme

Daha sonra, arama ve test sürecini organize etmek için sinir ağının her katmanındaki nöron sayısındaki değişiklik aralığını belirtmek gerekir. Bu görev için önerilen değerler Şekil 12'de gösterilmektedir.

Şekil 12. Eğitim, kontrol ve test örneklerinin boyutlarının gösterimi

Şimdi tüm eğitim parametrelerini ayarladıktan sonra ağ arama prosedürünü başlatmak için Tamam'a tıklamanız gerekir.

Arama algoritmasının durumu IPS Eğitimi Devam Ediyor iletişim kutusunda görüntülenir.

Uygun bir sinir ağı için arama algoritması çalışırken, bu iletişim kutusu, algoritmanın yürütme süresi ve ayrıca dikkate alınan sinir ağları hakkında bilgi sağlar. Arama algoritmasının amacı, bir dizi sinir ağı konfigürasyonunu sıralamak ve ağ çıkışındaki minimum hata ve maksimum performans açısından en iyi olanı seçmektir.

Sinir ağı yöntemleriyle ilgili birçok kavram, örnek olarak belirli bir sinir ağı programı kullanılarak en iyi şekilde açıklanabilir. Bu nedenle bu bölümde pakete birçok bağlantı olacak İSTATİSTİK Sinir Ağları (ST Neural Networks olarak kısaltılır, StatSoft'un bir sinir ağı paketi), veri analizine yönelik tüm sinir ağı yöntemlerinin bir uygulamasıdır.

Son birkaç yılda, işletme, tıp, mühendislik, jeoloji, fizik gibi çeşitli alanlarda başarıyla kullanılan sinir ağlarına olan ilgide bir patlama gördük. Sinir ağları tahmin, sınıflandırma veya kontrol problemlerinin çözülmesi gereken her yerde uygulamaya girmiştir. Bu etkileyici başarının birkaç nedeni var:

Sinir ağları, son derece karmaşık bağımlılıkları yeniden üretebilen son derece güçlü bir modelleme yöntemidir. Özellikle sinir ağları doğası gereği doğrusal değildir (bu kavramın anlamı bu bölümün ilerleyen kısımlarında ayrıntılı olarak açıklanacaktır). Uzun yıllardır doğrusal modelleme çoğu alanda baskın modelleme yöntemi olmuştur çünkü optimizasyon prosedürleri bunun için iyi geliştirilmiştir. Doğrusal yaklaşımın yetersiz olduğu problemlerde (ve bunların sayısı oldukça fazladır), doğrusal modeller kötü performans gösterir. Ek olarak sinir ağları, çok sayıda değişken olması durumunda doğrusal bağımlılıkların modellenmesine izin vermeyen "boyutsallık laneti" ile başa çıkmaktadır.

Sinir ağları örneklerden öğrenir. Sinir ağı kullanıcısı temsili verileri seçer ve ardından verilerin yapısını otomatik olarak öğrenen bir öğrenme algoritmasını çalıştırır. Bu durumda kullanıcının elbette veriyi nasıl seçip hazırlayacağı, istenilen ağ mimarisini seçeceği ve sonuçları yorumlayacağı konusunda bir takım sezgisel bilgiye sahip olması gerekir, ancak sinir ağlarının başarılı kullanımı için gereken bilgi düzeyi örneğin geleneksel istatistiksel yöntemlerin kullanılmasına göre çok daha mütevazıdır.

Sinir ağları sezgisel olarak çekicidir çünkü sinir sistemlerinin ilkel biyolojik modeline dayanmaktadırlar. Gelecekte bu tür nörobiyolojik modellerin geliştirilmesi, gerçekten düşünen bilgisayarların yaratılmasına yol açabilir. Bu arada, ST Sinir Ağları sisteminin oluşturduğu "basit" sinir ağları, uygulamalı istatistik uzmanının cephaneliğinde güçlü bir silahtır (Sinir ağları. STATISTICA Sinir Ağları: Modern veri analizi metodolojisi ve teknolojileri.).

Sinir ağları, yapay zeka araştırmalarından ortaya çıkmıştır; yani beynin alt düzey yapısını simüle ederek biyolojik sinir sistemlerinin öğrenme ve hataları düzeltme yeteneğini kopyalama çabalarından ortaya çıkmıştır (Patterson, 1996). 60'lı ve 80'li yıllarda yapay zekanın ana araştırma alanı uzman sistemlerdi. Bu tür sistemler, düşünme sürecinin üst düzey modellemesine dayanıyordu (özellikle, düşünme sürecimizin sembollerin manipülasyonu üzerine inşa edildiği fikrine). Çok geçmeden anlaşıldı ki benzer sistemler Her ne kadar bazı alanlarda faydalı olabilseler de insan zekasının bazı temel yönlerini yakalayamamaktadırlar. Bir görüşe göre bunun nedeni beyin yapısını yeniden üretememeleridir. Yapay zeka oluşturmak için benzer mimariye sahip bir sistem kurmak gerekiyor.

Beyin, çok sayıda bağlantıyla (nöron başına ortalama birkaç bin bağlantı, ancak bu sayı büyük ölçüde dalgalanabilir) birbirine bağlanan çok büyük sayıda (yaklaşık 10.000.000.000) nörondan oluşur. Nöronlar elektrokimyasal sinyalleri iletebilen özel hücrelerdir. Bir nöron, dallanmış bir bilgi girdisi yapısına (dendritler), bir çekirdeğe ve dallanmış bir çıktıya (akson) sahiptir. Bir hücrenin aksonları, sinapsları kullanarak diğer hücrelerin dendritlerine bağlanır. Bir nöron aktive edildiğinde aksonu boyunca elektrokimyasal bir sinyal gönderir. Sinapslar aracılığıyla bu sinyal diğer nöronlara ulaşır ve bunlar da etkinleştirilebilir. Bir nöron, dendritlerden çekirdeğine gelen sinyallerin toplam seviyesi belirli bir seviyeyi (aktivasyon eşiği) aştığında aktive olur.

Bir nöron tarafından alınan sinyalin yoğunluğu (ve dolayısıyla aktivasyon olasılığı) büyük ölçüde sinapsların aktivitesine bağlıdır. Her sinapsın bir uzunluğu vardır ve özel kimyasallar sinaps boyunca bir sinyal iletir. Nörosistemlerin en saygın araştırmacılarından biri olan Donald Hebb, öğrenmenin öncelikle sinaptik bağlantıların "gücündeki" değişikliklerden oluştuğunu öne sürdü. Örneğin, Pavlov'un klasik deneyinde, her seferinde köpek beslenmeden hemen önce bir zil çaldı ve köpek, zilin çalmasını yiyecekle ilişkilendirmeyi hemen öğrendi. Serebral korteksin işitmeden sorumlu alanları ile tükürük bezleri arasındaki sinaptik bağlantılar güçlendi ve korteks zil sesiyle uyarıldığında köpek tükürük salgılamaya başladı.

Böylece, çok sayıda çok basit öğeden (her biri girdi sinyallerinin ağırlıklı toplamını alır ve toplam girdi belirli bir düzeyi aşarsa ikili sinyal iletir) oluşan beyin, son derece karmaşık sorunları çözme yeteneğine sahiptir. . Elbette burada beyin yapısının pek çok karmaşık yönüne değinmedik ama ilginç olan şey, yapay zekanınSinir ağları, yukarıda açıklanandan çok daha karmaşık olmayan bir model kullanarak dikkate değer sonuçlar elde edebilir.

Statistica Sinir Ağları (SNN) paketi

1. Veri dosyasını aç Seri_g Pakette bulunan verilerden. Dosya, aylık veri kaydıyla birkaç yıldaki trafik hacmini belirleyen tek bir değişken içerir. (Bu dosyayı açtığınızda, akıllı çözücü seçeneğiyle ilgili bir dizi tablo görünür; bu aşamada bu seçeneğin kapatılması gerekir, geriye yalnızca kaynak veri tablosu kalır).
2. "Giriş - çıkış" değişken tipini şu şekilde ayarlayın: tablo başlığına tıklayarak değişkeni seçin, sağ tıklayın ve menüden bir seçenek seçin Giriş çıkış. Değişken adı yeşil renkle vurgulanacaktır.
3. Yaratmak yeni ağ iletişim kutusunu kullanma Ağ Oluşturun. Bunu yapmak için art arda basın: Dosya – Yeni – Ağ. Monitör ekranında bir iletişim kutusu vardır (Şekil 1).

Pirinç. 1. Ağ oluşturma iletişim kutusu

Bir zaman serisi tahmin probleminde ağın, bir değişkenin kaç kopyasını alması gerektiğini ve değişkenin değerini ne kadar ileride tahmin etmesi gerektiğini bilmesi gerekir. Bu görevde parametreyi kabul edin Adımlar (Zaman penceresi) 12'ye eşittir çünkü veriler aylık gözlemlerdir ve parametre İleriye dönük– 1'e eşit.

1. Ağ türü olarak Çok Katmanlı Perceptron'u seçin ve ağ katmanlarının sayısını 3 olarak ayarlayın. Bundan sonra, Tavsiye düğmesine tıklayın, bunun sonucunda program, ağın üç katmanındaki nöron sayısını otomatik olarak ayarlayacaktır: 12 – 6 – 1 (Şek. 2).

Pirinç. 2. Ağ parametrelerini ayarladıktan sonra iletişim kutusu

Bundan sonra düğmeye basın Yaratmak.

1. Ağı oluştururken SNN, veri dosyasındaki ilk 12 gözlemi otomatik olarak Yoksay türüne atayacaktır. Zaman serisi analizi görevinde ağın ileri eğitimi ve işletimi sırasında, girişine sağlanan her veri bloğu, çeşitli gözlemlerle ilgili verileri içerir. Bloğun tamamı, çıkış değişkeninin değerini içeren gözleme atanır. Sonuç olarak, ilk 12 gözlem aslında göz ardı edilmez, ancak gözlem #13'e karşılık gelen zaman serisi verilerinin ilk bloğunun girdileridir. Aslında program, gözlem sayısının 12 daha az olduğu, ancak her gözlemdeki veriler kaynak dosyanın ardışık 13 satırından alınan dönüştürülmüş bir veri seti oluşturur.

Oluşturulan ağ Şekil 2'de gösterilmektedir. 3.

Pirinç. 3. Üç katmanlı algılayıcı

1. Kaynak veri penceresinde "Veri Seti Düzenleyicisi" 66 eğitimini ayarla (Eğitim) ve 66 kontrol (Doğrulama) gözlemleri (Şekil 4), ardından satırları karıştırmak için düğmeye aşağıdaki gibi basın: menü aracılığıyla Düzenle – Vakalar – Karıştır – Tümü (Düzenleme – Vakalar – Karıştır – Tümü).
2. Ağı, tıklamanız gereken Levenberg-Marquard yöntemini kullanarak eğitin: Tren – Çok Katmanlı Perceptron – Levenberg-Marquardt (Tren – Çok Katmanlı Perceptron – Levenberg-Marquardt).Öğrenme prosedürü birkaç saniye sürer (işlemci tipine bağlı olarak). Levenberg-Marquard yöntemi güvenilir ve hızlı öğrenme algoritmalarından biridir ancak kullanımı bazı sınırlamalarla ilişkilidir:

Pirinç. 4. Ayrılmış gözlemleri içeren kaynak veri penceresi

• bu yöntem yalnızca bir çıkış elemanına sahip ağlar için kullanılabilir.
• Levenberg-Marquard yöntemi, ağdaki ağırlık sayısının karesiyle orantılı hafıza gerektirir, bu nedenle yöntem ağlar için uygun değildir. büyük beden(yaklaşık 1000 ağırlık).
• Yöntem yalnızca ortalama karekök hata fonksiyonu için geçerlidir.

Levenberg-Marquard algoritması, ortalama karekök hata fonksiyonunu en aza indirecek şekilde tasarlanmıştır. Minimum noktaya yakın bir yerde bu varsayım büyük bir doğrulukla geçerlidir, dolayısıyla algoritma çok hızlı hareket eder. Minimum değerin çok ötesinde, bu varsayım doğru olmayabilir, dolayısıyla yöntem doğrusal model ile gradyan inişi arasında bir uzlaşma bulur. Sadece hatayı azaltıyorsa bir adım atılır ve gerekli olduğu yerde ilerlemeyi sağlamak için yeterince küçük bir adımla gradyan iniş kullanılır.

Levenberg-Marquard yöntemi iletişim kutusu Şekil 2'de gösterilmektedir. 5.

Pirinç. 5. Levenberg-Marquard yöntemi iletişim kutusu

Pencerenin ana elemanları:

• Dönemler (Dönem Sayısı)– Algoritmanın çalışacağı dönem sayısını ayarlar. Her bir çağda, tüm eğitim seti ağ üzerinden geçirilir ve daha sonra ağırlıklar ayarlanır.
• Çapraz Doğrulama– konum işaretlendiğinde, ağ tarafından üretilen sonucun kalitesi her dönemde kontrol setine (eğer belirtilmişse) göre kontrol edilir. Kapatıldığında, veri dosyasında mevcut olsalar bile kontrol gözlemleri göz ardı edilir.
• Tren– Düğmeye her basıldığında algoritma belirtilen sayıda dönem boyunca çalışır.
• Yeniden başlat– tekrar eğitime başlamadan önce sıfırlama düğmesine basmalısınız, çünkü bu durumda ağ ağırlıkları yeniden rastgele ayarlanır.
• Jog Ağırlıkları – Algoritma yerel bir minimumda sıkışıp kaldığında bu seçenek her ağırlığa küçük bir miktar ekler.

1. Kullanarak bir zaman serisi projeksiyonu oluşturun Çalıştır – Times Serisi Projeksiyonu ilgili pencereyi açın (Şek. 6).

Pirinç. 6. Zaman serisi projeksiyon penceresi

İletişim kutusunun açıklaması

• Başlangıç– zaman serisi projeksiyonunun bir gözlem numarasından başlayıp başlamayacağını belirtir (Dava No) bir veri dosyasından veya bireysel bir gözlemden.
• Vaka No – Bir veri dosyasından bir zaman serisi yansıtılırken, başlangıç ​​noktası olan çıkış değeriyle birlikte gözlem numarası belirtilir.
• Uzunluk– tahminin yansıtılacağı adım sayısı.
• Değişken– Tasarlanacak değişkeni belirtir.

1. Eğitimli bir ağ kullanarak zaman serisi projeksiyonu gerçekleştirebilirsiniz. Başlangıçta ağ ilk 12 giriş değeri üzerinde çalışacak ve bir sonraki değerin tahmin edilmesiyle sonuçlanacaktır. Daha sonra tahmin edilen değer, önceki 11 giriş değeriyle birlikte tekrar ağın girişine beslenir ve ikincisi, bir sonraki değerin tahminini üretir.

Seçilmesi gereken tek kontrol parametresi projeksiyon uzunluğudur. Bu örnekte toplam 144 gözlem vardır ve bunların 12'si ön işleme sırasında kaldırılacaktır, böylece sonuçlar en fazla 132 adımda karşılaştırılabilir. Bununla birlikte, mevcut verilerin sınırlarının ötesinde bir dizi öngörmek mümkündür, ancak sonucun karşılaştırılacağı hiçbir şey olmayacaktır.

Düğmeyi kullanarak tahmin edilen değerlerin farklı uzunluklardaki davranışını görüntüleyin Koşmak serinin hedef ve çıkış değerlerindeki değişiklikleri gözlemleyebilirsiniz.

Verilen şek. Şekil 6, yaklaşık 70 gözlemden başlayarak orijinal ve tahmin edilen seriler arasında önemli sapmalar olduğundan tahmin edilen eğrinin (monitör ekranındaki mavi) çok iyi eğitilmediğini göstermektedir.

1. Akıllı bir çözücü kullanarak seri tahminleri gerçekleştirin (üst sıradaki soldan üçüncü düğme). Bu durumda diyalog modunda bir dizi soruyu yanıtlamak gerekir:

• Ana sürümü seçin (Şek. 7) ve tıklayın Sonraki.

Pirinç. 7. Ana sürümün seçilmesi

• Görevin türünü belirleyin (standart veya zaman serisi). Burada zaman serisini not etmek gerekir (Şekil 8).

Pirinç. 8. Görev türünü seçme

• Gözlem süresini 12 aya ayarlayın (Şekil 9).

Pirinç. 9. Gözlem süresinin ayarlanması

• Aynı değişken olan bağımlı ve bağımsız değişkenleri seçin Seri.
• Hesaplama prosedürünün süresini 2 dakikaya eşit olarak belirleyin (Şekil 10).

Pirinç. 10. Uzlaşma prosedürünün zamanının belirlenmesi

• Kaydedilecek ağ sayısını ve bunları kaydederken yapılacak eylemleri belirtin (Şek. 11).

Pirinç. 11. Ağ seçimine ilişkin eylemler

• Sonuçları sunmak için formları seçin (Şekil 12) ve tıklayın Sona ermek.

Pirinç. 12. Sonuçların sunulması için bir form seçilmesi

Akıllı bir çözücü kullanılmasının bir sonucu olarak, eğitilen ağ orijinal seriye çok daha yakın olduğundan tahmin çok daha doğrudur (Şekil 13).

Pirinç. 13. Akıllı bir çözücü kullanarak tahmin

Egzersiz yapmak

Statistica paketinden simüle edilmiş bir zaman serisini aşağıdaki şekilde oluşturun:

• Yaratmak yeni dosya 20 satır ve 2 sütundan oluşur.
• Menü aracılığıyla Veri – Değişken Özellikler formül penceresine =vnormal(rnd(1);1;3) ifadesini girin.
• Matematiksel beklentisi 1 ve standart sapması 3 olan rastgele normal dağılımlı bir değişkenin 20 değerini simüle edin. Bu 20 değer, Var 1 değişkenini tanımlar. Değişkende ayarlayarak bunları bir tamsayı veri türüne dönüştürün açıklama penceresi şu şekilde Tip Anlam Tamsayı.
• Var 2 değişkenine şu şekilde gidin: Var 2'nin ilk değeri, Var 1 değişkeninin ilk değerine eşittir; ikinci değer Var 2, Var 1 değişkeninin ilk iki değerinin toplamına eşittir; Var 2 değişkeninin üçüncü değeri, Var 1 vb. değişkenin ilk üç değerinin toplamına eşittir.
• Var 2 değişkenini kopyalayın ve SNN paketine giderek kopyalanan verileri oluşturulan yeni dosyaya yerleştirin.
• Ortaya çıkan serinin tahminini bir sinir ağı kullanarak gerçekleştirin.

Baskı versiyonu

Veri analizine yönelik sinir ağı yöntemlerinin ana hatları, Rus kullanıcı için tamamen uyarlanmış olan Statistica Sinir Ağları paketinin (StatSoft tarafından üretilmiştir) kullanımına dayanmaktadır. Sinir ağları teorisinin temelleri verilmiştir; Pratik sorunların çözümüne çok dikkat ediliyor; iş, sanayi, yönetim ve finans alanlarında geniş uygulamalara sahip güçlü bir veri analizi ve tahmin aracı olan Statistica Sinir Ağları paketini kullanarak araştırma yürütmenin metodolojisi ve teknolojisi kapsamlı bir şekilde inceleniyor. Kitapta veri analizine ilişkin birçok örnek yer alıyor. pratik öneriler analiz, tahmin, sınıflandırma, örüntü tanıma, yönetim için üretim süreçleri sinir ağlarını kullanma Bankacılık, endüstri, ekonomi, işletme, jeolojik araştırma, yönetim, ulaştırma ve diğer alanlarda araştırma yapan geniş bir okuyucu kitlesi için. İçindekilerİkinci baskıya önsözGiriş. Sinir Ağlarına Davet Bölüm 1. VERİ ANALİZİNİN TEMEL KAVRAMLARI Bölüm 2. OLASILIK TEORİSİNE GİRİŞ Bölüm 3. SİNİR AĞLARI TEORİSİNE GİRİŞ Bölüm 4. SİNİR AĞLARINA GENEL BAKIŞBiyolojiden paralelliklerTemel yapay modelSinir ağlarının uygulanmasıÖn ve son işleme.Çok katmanlı algılayıcıRadial temel fonksiyon Olasılıksal sinir ağıGenelleştirilmiş regresyon sinir ağıDoğrusal ağAğ Kohonen Sınıflandırma sorunlarıRegresyon sorunlarıZaman serisi tahminiDeğişkenlerin seçimi ve boyutluluğun azaltılmasıBölüm 5. İSTATİSTİK SİNİR AĞLARINDA İLK ADIMLAR.BaşlarkenVeri kümesi oluşturmaYeni bir ağ oluşturmaVeri kümesi ve ağ oluşturmaAğ eğitimiSinir ağı çalıştırmaSınıflandırmayı gerçekleştirmeBölüm 6. NÖRALİN DİĞER KABİLİYETLERİ AĞLARKlasik örnek: Fisher's IrisesÇapraz doğrulama ile eğitimDurdurma koşullarıRegresyon problemlerini çözmeRadyal temel fonksiyonlar Doğrusal modeller Kohonen ağları Olasılıksal ve genelleştirilmiş regresyon ağları Ağ kurucusu Giriş verilerini seçmek için genetik algoritma Zaman serileri Bölüm 7. PROBLEMLERİ ÇÖZMEK İÇİN PRATİK İPUÇLARI Veri sunumu Yararlı giriş değişkenlerini ayırma Boyutsallığı azaltma Ağ mimarisinin seçimi Özel ağ mimarileri Zaman serisi Bölüm 8. VAKA ÇALIŞMALARI Örnek 1. Jeolojik araştırmalarda boyut azaltımı Örnek 2 Örüntü tanıma Örnek 3. İki boyutlu kümelerin doğrusal olmayan sınıflandırması Örnek 4. Laboratuvar araştırmasına göre çeşitli yakıt örneklerinin segmentasyonu Örnek 5. davranışsal puanlama modeli Örnek 6. Fonksiyon yaklaşımıÖrnek 7. Petrol satışlarını tahmin etmeÖrnek 8. Bir tesisteki sıcaklık koşullarını izleme ve tahmin etmeÖrnek 9. Dijital imzanın güvenilirliğini belirlemeBölüm 9 HIZLI KILAVUZVeriAğlarEğitim ağlarıDiğer ağ türleriBir ağ ile çalışmaSonuçları STATISTICA sistemine göndermeBölüm 10. KLASİK SİNİR AĞLARINA ALTERNATİF YÖNTEMLER İSTATİSTİK'te klasik diskriminant analiziSınıflandırmaLogit regresyon İSTATİSTİK'te faktör analiziBölüm 11.İSTATİSTİK'TE VERİ MADENCİLİĞİEk 1. Kod oluşturucuEk 2. STATISTICA'nın ERP sistemleri ile entegrasyonuBibliyografiIndex

• Veri seçimi, nominal kodlama, ölçekleme, normalleştirme, sınıflandırma, regresyon ve zaman serisi problemlerine yönelik yorumlama ile eksik verilerin çıkarılması dahil olmak üzere ön ve son işleme;
• Olağanüstü kullanım kolaylığı artı rakipsiz analitik güç; örneğin hiçbir analogu yok Çözüm Sihirbazı kullanıcıya çeşitli sinir ağları oluşturmanın tüm aşamalarında rehberlik edecek ve en iyisini seçecektir (aksi takdirde bu görev uzun bir "deneme yanılma" süreciyle çözülür ve teori hakkında kapsamlı bilgi gerektirir);
• Güçlü keşif ve analitik teknolojiler, içermek Temel bileşenler Analizi Ve Boyutsal küçülme Keşifsel (sinir ağı) veri analizinde gerekli girdi değişkenlerinin seçilmesi için (sinir ağları için gerekli girdi değişkenlerinin seçilmesi genellikle uzun zaman alır; sistem İSTATİSTİK Sinir Ağları bu işi kullanıcı için yapabilir);
• En gelişmiş, optimize edilmiş ve güçlü ağ eğitim algoritmaları (eşlenik gradyan ve Levenberg-Marquard); etkinleştirme ve hata işlevleri, ağ karmaşıklığı gibi ağ kalitesini etkileyen tüm parametreler üzerinde tam kontrol;
• Sinir ağları toplulukları ve neredeyse sınırsız boyuttaki sinir ağı mimarileri için destek, Ağ setleri - Ağ Setleri; sinir ağı bölümlerinin seçici eğitimi; ağ kümelerini ayrı dosyalarda birleştirmek ve kaydetmek;
• Sistemle tam entegrasyon İSTATİSTİK; tüm sonuçlar, grafikler, raporlar vb. Güçlü grafiksel ve analitik araçlar kullanılarak daha da değiştirilebilir İSTATİSTİK(örneğin, tahmin edilen artıkları analiz etmek, ayrıntılı bir rapor oluşturmak vb.);
• Güçlü otomatikleştirilmiş araçlarla kusursuz entegrasyon İSTATİSTİK; herhangi bir analiz için tam teşekküllü makroların kaydedilmesi; kullanarak kendi sinir ağı analizlerinizi ve uygulamalarınızı oluşturma İSTATİSTİK Visual Basic, meydan okumak İSTATİSTİK Sinir Ağları destekleyen herhangi bir uygulamadan COM teknolojisi(örneğin, bir tablodaki otomatik sinir ağı analizi Microsoft Excel veya yazılmış birkaç özel uygulamayı birleştirmek C++, C#, Java vesaire.).

İSTATİSTİK Sinir ağı hesaplamasında Sinir Ağları:

• Sinir ağlarının kullanımı, sinir ağı yöntemlerini kullanarak veri işlemekten çok daha fazlasını içerir.
• İSTATİSTİK Sinir Ağlarıçeşitli sağlar işlevsellik, yalnızca en son sürümler değil, çok karmaşık görevlerle çalışmak için Sinir Ağı Mimarileri Ve Öğrenme algoritmaları ama aynı zamanda yeni yaklaşımlar Giriş Verilerinin Seçimi Ve Ağ Oluşturmak. Ayrıca geliştiriciler yazılım ve uygulama ayarlarıyla deneme yapan kullanıcılar, belirtilen deneyleri basit ve sezgisel bir arayüzde gerçekleştirdikten sonra bunu takdir edeceklerdir. İSTATİSTİK Sinir Ağları Sinir ağı analizleri özel bir uygulamada birleştirilebilir. Bu, kütüphane kullanılarak da gerçekleştirilir. STATISTICA COM işlevleri Programın tüm işlevlerini tam olarak yansıtan veya dilde kod kullanan C (C++, C#) veya Visual Basic Program tarafından oluşturulan ve tam olarak eğitilmiş bir sinir ağının veya ağ topluluğunun çalıştırılmasına yardımcı olan.

İlk veri

Modül İSTATİSTİK Sinir Ağları sistemle tam entegre İSTATİSTİK Böylece, verileri analiz için düzenlemek (hazırlamak) için çok çeşitli araçlar (dönüşümler, gözlem seçme koşulları, veri kontrol araçları vb.) mevcuttur. Tüm testler gibi İSTATİSTİK Program, yerinde işleme araçları kullanılarak uzak bir veritabanına "eklenebilir" veya canlı verilere bağlanabilir, böylece veriler her değiştiğinde modeller otomatik olarak eğitilir veya çalıştırılır (örneğin, tahmin edilen değerleri hesaplamak veya sınıflandırmak için).

Giriş seçimi ve boyutluluğun azaltılması

Veriler hazırlandıktan sonra sinir ağıyla çalışırken hangi değişkenlerin kullanılması gerektiğine karar vermelisiniz. Değişken sayısı ne kadar fazla olursa, sinir ağı o kadar karmaşık olacaktır ve bu nedenle daha fazla hafıza ve eğitim süresinin yanı sıra daha fazla sayıda eğitim örneği (gözlem) gerektirecektir. Değişkenler arasında yeterli veri ve/veya korelasyon olmadığında, anlamlı girdi değişkenlerinin seçilmesi ve bilginin daha az sayıda değişkene sıkıştırılması birçok sinir ağı uygulamasında son derece önem kazanmaktadır.

Boyut azaltma algoritmaları:

• İÇİNDE İSTATİSTİK Sinir Ağları Ters ve doğrudan adım adım seçim algoritmaları uygulanmıştır. Ek olarak, girdi verilerini seçmek için kullanılan nöro-genetik algoritma, genetik algoritmaların yeteneklerini birleştirir ve PNN/GRNN (PNN - olasılıklı sinir ağları, GRNN - genelleştirilmiş regresyon sinir ağları) Aralarında korelasyon ve doğrusal olmayan bağımlılıkların olduğu durumlar da dahil olmak üzere girdi değişkenlerinin optimal kombinasyonlarının otomatik olarak aranması için. Neredeyse anlık öğrenme hızı PNN/GRNN algoritması sadece başvuruyu mümkün kılmakla kalmıyor Giriş verileri seçimi için Nöro-Genetik algoritma, ancak aynı zamanda size de izin verir (mevcut olanı kullanarak) Editör sistem verisi İSTATİSTİK Sinir AğlarıÖnemsiz değişkenleri bastırmanın uygun yolları) veri duyarlılığı konusunda gerçek zamanlı olarak kendi deneylerinizi gerçekleştirin. İSTATİSTİK Sinir Ağları ayrıca yerleşik bir sistem içerir Temel bileşenler Analizi (PCA ve "doğrusal olmayan PCA" için ilişkisel ağlar) kaynak verinin boyutunu azaltmanıza olanak tanır. Temel sistemde verinin boyutunu azaltmaya yönelik çok çeşitli istatistiksel yöntemlerin mevcut olduğunu unutmayın. İSTATİSTİK.

Veri ölçeklendirme ve nominal değer dönüşümü:

• Veriler ağa girilmeden önce belli bir şekilde hazırlanmalıdır. Çıktı verilerinin doğru şekilde yorumlanabilmesi de aynı derecede önemlidir. İÇİNDE İSTATİSTİK Sinir Ağları giriş ve çıkış verilerinin otomatik olarak ölçeklendirilmesi olasılığı vardır (minimum/maksimum değerlere ve ortalama/standart sapmaya göre ölçeklendirme dahil); Nominal değerleri olan değişkenler de 1-of-N kodlama yönteminin kullanılması da dahil olmak üzere otomatik olarak yeniden kodlanabilir (örneğin, Cinsiyet=(Erkek,Kadın)). İSTATİSTİK Sinir Ağları ayrıca eksik verilerle çalışmaya yönelik araçlar da içerir. Aşağıdaki gibi normalizasyon fonksiyonları uygulandı "tek miktar", "kazanan hepsini alır" Ve "birim uzunluk vektörü". Zaman serisi analizi için özel olarak tasarlanmış veri hazırlama ve yorumlama araçları bulunmaktadır. Temel sistemde çok çeşitli benzer araçlar da uygulanmaktadır. İSTATİSTİK.
• Sınıflandırma problemlerinde güven aralıkları ayarlamak mümkündür. İSTATİSTİK Sinir Ağları daha sonra gözlemleri bir sınıfa veya diğerine atamak için kullanılır. Uygulanan özel bir uygulamayla birlikte İSTATİSTİK Sinir Ağları aktivasyon fonksiyonu Softmax ve çapraz entropi hata fonksiyonları, bu, sınıflandırma problemlerine temel bir olasılık teorik yaklaşımı sağlar.

Bir sinir ağı modelinin seçilmesi, Ağ toplulukları

Sinir ağı modellerinin çeşitliliği ve ayarlanması gereken birçok parametre (ağ boyutu, öğrenme algoritması parametreleri vb.) bazı kullanıcıların kafasını karıştırabilir (bu nedenle Çözüm Sihirbazı, herhangi bir karmaşıklıkta uygun bir ağ mimarisini otomatik olarak arayabilir).

STATISTICA Sinir Ağları sistemi, aşağıdakiler de dahil olmak üzere pratik sorunların çözümünde kullanılan tüm ana sinir ağı türlerini uygular:

• çok katmanlı algılayıcılar (doğrudan sinyal aktarımına sahip ağlar);
• radyal temel fonksiyonlara dayalı ağlar;
• kendi kendini organize eden Kohonen haritaları;
• olasılıksal (Bayesian) sinir ağları;
• genelleştirilmiş regresyon sinir ağları;
• ana bileşen ağları;
• kümelenmeye yönelik ağlar;
• doğrusal ağlar.

Ayrıca sistemde İSTATİSTİK Sinir Ağları uygulandı Ağ toplulukları yukarıdaki ağların rastgele (ancak önemli) kombinasyonlarından oluşur. Bir diğer kullanışlı özellik ise ağları birbirine bağlayarak sırayla çalışmalarını sağlayabilmenizdir. Bu, minimum maliyetle çözüm bulmak için ön işlemede kullanışlıdır.

Paketin içinde İSTATİSTİK Sinir Ağları Kullanıcının uygun ağ mimarisini seçmesine yardımcı olacak çok sayıda araç mevcuttur. Sistemin istatistiksel ve grafiksel araçları, popülasyonun tamamı ve bireysel gözlemler için histogramları, matrisleri ve hata grafiklerini, doğru/yanlış sınıflandırmaya ilişkin nihai verileri içerir ve tüm önemli istatistikler (örneğin, açıklanan varyans oranı) otomatik olarak hesaplanır.

Bir paketteki verileri görselleştirmek için İSTATİSTİK Sinir Ağları Kullanıcının ağın "davranışını" anlamasına yardımcı olmak için dağılım grafikleri ve 3 boyutlu yanıt yüzeyleri uygulanır.
Elbette, listelenen kaynaklardan elde edilen bilgileri başka yollarla daha ileri analiz için kullanabilirsiniz. İSTATİSTİK ve ayrıca raporlara daha sonra dahil edilmek veya özelleştirme için.

İSTATİSTİK Sinir Ağları görevi denediğinizde aldığınız en iyi ağ seçeneğini otomatik olarak hatırlar ve buna istediğiniz zaman başvurabilirsiniz. Ağın kullanışlılığı ve tahmin yeteneği, özel bir test gözlem seti ile otomatik olarak test edilir ve ayrıca ağın boyutu, verimliliği ve yanlış sınıflandırmanın maliyeti tahmin edilir. Uygulanan İSTATİSTİK Sinir Ağları otomatik çapraz doğrulama ve düzenleme prosedürleri Wigend ölçekleri ağınızın belirli bir görev için yetersiz veya tam tersi çok karmaşık olup olmadığını hızlı bir şekilde öğrenmenize olanak tanır.

Paketteki performansı artırmak için İSTATİSTİK Sinir AğlarıÇok sayıda ağ yapılandırma seçeneği sunulmaktadır. Böylece, regresyon problemlerinde doğrusal bir çıktı ağı katmanı veya olasılıksal tahmin ve sınıflandırma problemlerinde bir softmax aktivasyon fonksiyonu belirleyebilirsiniz. Verilerinizde çok fazla aykırı değer varsa ağı eğitirken standart hata işlevini daha az hassas bir işlevle değiştirebilirsiniz. "şehir apartmanları". Sistem aynı zamanda bilgi teorisi modellerine ve bir dizi temele dayanan çapraz entropi hata fonksiyonlarını da uygular. özel fonksiyonlar aşağıdakileri içeren aktivasyonlar: adım, testere dişi ve sinüs.

Çözüm Sihirbazı (sorunu otomatik olarak değerlendirir ve farklı mimarilere sahip birkaç ağı seçer):

• Paketin bir kısmı İSTATİSTİK Sinir Ağı bu Çözüm Sihirbazı - Akıllı Sorun ÇözücüÇeşitli mimarilere ve karmaşıklığa sahip birçok sinir ağını değerlendiren ve belirli bir görev için en iyi mimariye sahip ağları seçen.
• Usta bağımsız gözlemlere (standart regresyon ağları, sınıflandırma ağları veya karışık ağlar) sahip veriler için ağların yanı sıra aynı değişkenin mevcut değerlerine (zaman) dayalı olarak belirli bir değişkenin gelecekteki değerlerini tahmin etmek için tasarlanmış ağlar oluşturabilir seri ağlar).
• Bir sinir ağı oluştururken, uygun değişkenlerin seçilmesi ve buluşsal arama kullanılarak ağ mimarisinin optimize edilmesi için önemli miktarda zaman harcanır. İSTATİSTİK Sinir Ağları bu işi devralır ve buluşsal aramayı sizin için otomatik olarak gerçekleştirir. Bu prosedür, giriş boyutunu, ağ türünü, ağ boyutlarını ve gerekli çıkış kodlama işlevlerini dikkate alır.
• Arama sırasında eğitim süreci boyunca alınan yanıtların sayısını ayarlayabilirsiniz. Maksimum ayrıntı modunu ayarlarken Çözüm Sihirbazı Test edilen her ağ için mimariyi ve kalite seviyelerini gösterecektir.
• Çözüm Sihirbazı karmaşık teknikleri kullanırken en iyi ağ mimarisini otomatik olarak bulmanızı sağlayan son derece etkili bir araçtır. Bilgisayar başında saatlerce oturarak vakit geçirmek yerine, sistemin İSTATİSTİK Sinir Ağları bu işi senin için yap.
• Otomatik ağ oluşturucu modül kullanıldığında model geliştirme sırasında da kullanılabilir İSTATİSTİK Sinir Ağları, temel sistemin diğer modülleriyle birlikte İSTATİSTİK, en önemli değişkenleri tanımlamak için kullanılır (örneğin, herhangi bir modele daha sonra dahil edilmeleri ve test edilmeleri için en iyi tahmin ediciler) Doğrusal Olmayan Tahmin).

Sinir ağı eğitimi:

• En iyi ağ türünü ve mimarisini bulmak için yaptığınız deneylerin başarısı, büyük ölçüde ağ öğrenme algoritmalarının kalitesine ve hızına bağlıdır. Sistemde İSTATİSTİK Sinir Ağları Bugüne kadarki en iyi eğitim algoritmaları uygulandı.
• Sistemdeki çok katmanlı algılayıcıları eğitmek İSTATİSTİK Sinir Ağları Her şeyden önce, zamana göre değişen bir öğrenme hızı ve atalet katsayısı ile geri yayılım yöntemi uygulanır, algoritmanın bir sonraki adımından önce gözlemler karıştırılır ve sağlam genelleme için ilave gürültü eklenir. Ayrıca sistemde İSTATİSTİK Sinir Ağları iki hızlı ikinci dereceden algoritma uygulanmıştır - eşlenik gradyan yöntemleri ve Levenberg-Marquard. İkincisi son derece güçlü, modern, doğrusal olmayan bir optimizasyon algoritmasıdır ve uzmanlar bunu kullanmanızı şiddetle tavsiye eder. Aynı zamanda, bu yöntemin uygulama kapsamı, bir çıkış nöronuna sahip nispeten küçük boyutlu ağlar ve paketteki daha hantal görevler için sınırlıdır. İSTATİSTİK Sinir Ağları Eşlenik gradyan yöntemi vardır. Tipik olarak her iki algoritma da geri yayılımdan daha hızlı yakınsar ve genellikle daha iyi bir çözüm üretir.
• Sistemdeki ağ eğitiminin yinelemeli süreci İSTATİSTİK Sinir Ağları mevcut eğitim hatasının ve test setinde bundan bağımsız olarak hesaplanan hatanın otomatik olarak görüntülenmesiyle birlikte sunulur ve ayrıca toplam hatanın bir grafiği de gösterilir. Sadece bir düğmeye basarak antrenmanı istediğiniz zaman durdurabilirsiniz. Ayrıca eğitimin kesintiye uğrayacağı durma koşullarını da ayarlamak mümkündür; böyle bir durum, örneğin, belirli bir hata seviyesine ulaşılması veya belirli bir geçiş sayısı - "dönemler" (ağın sözde yeniden eğitimini gösterir) boyunca test hatasında istikrarlı bir artış olabilir. Aşırı uyum meydana gelirse kullanıcının aşağıdakileri umursamaması gerekir: İSTATİSTİK Sinir Ağlarıörneği otomatik olarak hatırlar en iyi ağ eğitim süreci sırasında elde edilir ve bu ağ seçeneğine her zaman ilgili düğmeye basılarak erişilebilir. Ağ eğitimi tamamlandıktan sonra, çalışmasının kalitesini ayrı bir test setinde kontrol edebilirsiniz.
• Paketin içinde İSTATİSTİK Sinir Ağları Diğer mimarilerin diğer ağları için de bir dizi öğrenme algoritması uygulanmıştır. Radyal temel fonksiyonuna ve genelleştirilmiş regresyon ağlarına dayalı ağlar için radyal eğrilerin ve yumuşatma katsayılarının parametreleri, aşağıdaki gibi algoritmalar kullanılarak seçilebilir: Kohonen eğitimi, alt örnek, K-aracı yöntemi, izotropi ve en yakın komşu yöntemleri. Doğrusal ağlarda olduğu gibi radyal temel fonksiyona dayalı ağlar için doğrusal çıktı katmanının nöronları tamamen optimize edilmiştir tekil değer ayrıştırma (SVD) yöntemi.
• Hibrit ağ yapılarının oluşturulması. Sistemde İSTATİSTİK Sinir Ağları Karma yapıda ağlar oluşturmak mümkündür. Örneğin, radyal temel fonksiyonu temel alan değiştirilmiş bir ağda, nöronların ilk katmanı şu şekilde eğitilebilir: Kohonen algoritması ah, ve ikincisi - doğrusal olmayan katman - Levenberg-Marquard yöntemi.

Sinir ağı testi:

• Ağ eğitildikten sonra işinin kalitesini kontrol etmeniz ve özelliklerini belirlemeniz gerekir. Bu amaçla pakette İSTATİSTİK Sinir Ağları Ekranda bir dizi istatistik ve grafiksel araç bulunmaktadır.
• Birkaç modelin (ağlar ve topluluklar) belirtilmesi durumunda (mümkünse) İSTATİSTİK Sinir Ağı s karşılaştırmalı sonuçları görüntüleyecektir (örneğin, birkaç modelin yanıt eğrilerini tek bir grafikte çizin veya birkaç modelin tahminlerini tek bir tabloda gösterin). Bu özellik, aynı veri seti üzerinde eğitilen farklı modelleri karşılaştırmak için çok kullanışlıdır.
• Tüm istatistikler eğitim, doğrulama ve test setleri için ayrı ayrı hesaplanır. Tüm ağırlıklar ve aktivasyon parametreleri uygun bir şekilde mevcuttur. Metin dosyası Tek tıklamayla sistem sonuçları tablosuna dönüştürülebilen İSTATİSTİK. Bireysel gözlemler veya tüm veri seti için deneysel sonuçlar tablo halinde de görüntülenebilir İSTATİSTİK ve daha sonraki analizlerde veya grafiklerde kullanın.
• Aşağıdaki özet istatistikler otomatik olarak hesaplanır: ağın ortalama karekök hatası, sözde tutarsızlık matrisi (karışıklık matrisi) sınıflandırma problemleri için (tüm doğru ve yanlış sınıflandırma durumlarının toplandığı yer) ve regresyon problemleri için açıklanan regresyonun oranı. Kohonen Ağı bir penceresi var Topolojik harita Ağ elemanlarının aktivasyonunu görsel olarak gözlemleyebileceğiniz ve ayrıca veri analizi sürecinde gözlemlerin ve düğümlerin etiketlerini değiştirebileceğiniz. Ayrıca kümeleri topolojik bir haritada anında yerelleştirmenize olanak tanıyan bir Kazanma Frekansı penceresi de bulunmaktadır. Küme analizi standart bir mimari ağ ile özel bir sistem kümesi diyagramının birleşimi kullanılarak gerçekleştirilebilir İSTATİSTİK Sinir Ağları. Örneğin, bir ağı temel bileşen analizi için eğitebilir ve ilk iki bileşene yansıtılan verilerin grafiğini çizebilirsiniz.

Sinir ağlarının düzenlenmesi, değiştirilmesi ve seri bağlantısı

Sistemde İSTATİSTİK Sinir Ağları Mevcut ağlardan parçaları ayırmanıza ve birden fazla ağı birbirine bağlamanıza olanak tanıyan akıllı araçlar vardır. Böylece, tek tek nöronları çıkarabilir veya ekleyebilir, ağdan tüm bir katmanı kaldırabilir ve giriş/çıkış sayısı bakımından tutarlı olan ağlar, sırayla birbirine bağlanabilir. Bu özellikler sayesinde paket İSTATİSTİK Sinir Ağları ilişkisel ağlar ve kayıp matrisi (en az kayıpla karar vermek için) kullanarak boyut azaltma (ön işleme sırasında) gibi araçları kullanmanıza olanak tanır. Olasılıksal sinir ağlarıyla çalışırken kayıp matrisi otomatik olarak kullanılır.

Hazır çözümler (STATISTICA Sinir Ağlarını kullanan özel uygulamalar):

• Basit ve kullanışlı sistem arayüzü İSTATİSTİK Sinir Ağları Sorunlarınızı çözmek için hızlı bir şekilde sinir ağı uygulamaları oluşturmanıza olanak tanır.
• Bu çözümlerin mevcut bir sisteme entegre edilmesinin (örneğin daha geniş bir bilgi işlem ortamının parçası haline getirilmesinin) gerekli olduğu bir durum söz konusu olabilir (bunlar ayrı ayrı geliştirilen ve kurumsal bilgi işlem sistemine entegre edilen prosedürler olabilir).
• Eğitilmiş sinir ağları, yeni veri kümelerine (tahmin için) birkaç şekilde uygulanabilir: Eğitilmiş ağı veya ağlar topluluğunu kaydedebilir (örneğin, birden fazla mimariye dayalı ortalama bir tahmin hesaplamak için) ve ardından bunu yeni bir veri kümesine uygulayabilirsiniz ( tahmin, tahmin edilen sınıflandırma veya tahmin için); Bir dilde program kodunu otomatik olarak oluşturmak için kod oluşturucuyu kullanabilirsiniz. C (C++, C#) veya Visual Basic ve bunu herhangi bir yazılım ortamındaki yeni verileri tahmin etmek için de kullanabiliriz görsel temel veya C++ (C#) yani Uygulamanıza tam olarak eğitilmiş bir sinir ağı uygulayın. Sonuç olarak, tüm sistem işlevselliği İSTATİSTİK, içermek İSTATİSTİK Sinir Ağları olarak kullanılabilir COM nesneleri (Bileşen Nesne Modeli) diğer uygulamalarda (örneğin, Java, MS Excel vesaire.). Örneğin, oluşturulan otomatik analizleri uygulayabilirsiniz. İSTATİSTİK Sinir Ağları masalara Microsoft Excel.

Öğrenme algoritmalarının listesi:

• Geri yayılım;
• Levenberg-Marquard;
• Eşlenik gradyanlar;
• Yarı-Newtonian;
• Hızlı yayılma;
• Çubuklu delta-delta;
• Sözde ters;
• Kohonen Eğitimi;
• Yakındaki sınıfların işaretlenmesi;
• Eğitim vektörü niceleyicisi;
• Radyal (alt) örnekleme;
• K-ortalama yöntemi;
• K-En Yakın Komşular (KNN) yöntemi;
• İzotropik sapmaların ayarlanması;
• Açık sapmaların belirlenmesi;
• Olasılıksal sinir ağı;
• Genelleştirilmiş regresyon sinir ağı;
• Giriş verilerini seçmek için genetik algoritma;
• Giriş verilerinin adım adım doğrudan veya ters seçimi.

Sistem gereksinimleri

Sistem İSTATİSTİK Sinir Ağları nispeten zayıf veya eski bilgisayarlarda bile çalışabilir. Ancak paketin prosedürlerinin çoğu hesaplama açısından yoğun olduğundan, kullanılması şiddetle tavsiye edilir. Pentium işlemci 32 megabayt RAM ile.

Ağ boyutu kısıtlamaları:

• Bir sinir ağı hemen hemen her boyutta olabilir (yani boyutları gerçekte gerekli ve makul olandan kat kat daha büyük alınabilir); Nöron sayısında herhangi bir kısıtlama olmaksızın 128'e kadar katmana izin verilir. Aslında, herhangi bir pratik görev için program yalnızca bilgisayarın donanım yetenekleriyle sınırlıdır.

E-Kılavuz:

• Sistemin bir parçası olarak İSTATİSTİK Sinir Ağları sinir ağlarına eksiksiz ve net bir giriş sağlayan ve örneklerin de yer aldığı, iyi resimlendirilmiş bir ders kitabı bulunmaktadır. Ayrıntılı, bağlama duyarlı bir yardım sistemine herhangi bir iletişim kutusundan ulaşılabilir.

Kaynak kodu oluşturucu:

• Jeneratör kaynak kodu Kullanıcıların sisteme dayalı olarak kendi uygulamalarını kolaylıkla oluşturabilmelerine olanak sağlayan ek bir üründür. İSTATİSTİK Sinir Ağları. Bu eklenti ürün, sinir ağı modeli için kaynak sistem kodunu oluşturur (C, C++, C# dillerinde dosya olarak)Ücretsiz dağıtım için ayrı olarak derlenebilir ve programınıza entegre edilebilir. Bu ürün, kurumsal sistem geliştiricilerinin yanı sıra, oluşturulan son derece optimize edilmiş prosedürleri dönüştürmesi gereken kullanıcılar için özel olarak tasarlanmıştır. İSTATİSTİK Sinir Ağları Karmaşık analitik problemleri çözmek için harici uygulamalara.

Sinir ağı yöntemleri çeşitli alanlarda giderek yaygınlaşmaktadır.

Endüstri:

• Süreç yönetimi (özellikle kontrol parametrelerinin sürekli düzenlenmesiyle üretim süreçlerinin izlenmesi).
• Yakıt örneklerinin sınıflandırılması (spektrumlarının analizine dayalı olarak yakıt derecelerinin bölümlendirilmesi).
• Teknik teşhis (mekanizmadaki arızaları erken aşamada tespit etmek ve önleyici onarımlar gerçekleştirmek için titreşim ve gürültüyü kullanın).
• Motor kontrol sistemleri (sensör verilerini kullanarak yakıt tüketimini değerlendirme ve kontrol etme).
• Fizikte gerçek zamanlı anahtarlamalı dedektör sistemleri. Sinir ağları gürültüye dayanıklıdır ve fiziksel verilerde büyük istatistiksel gürültüye sahip sağlam modellerin kullanılmasına olanak tanır.

Pazarlama:

• Altın fiyatı tahmini;
• Hammadde fiyatlarının tahmin edilmesi;
• Doğrudan posta yoluyla ticaret yapın.

Finans:

• Kredi itibarının değerlendirilmesi (klasik görev, kişisel verilerden belirli bir borçlunun güvenilir olup olmadığını belirlemektir).
• Finansal zaman serilerinin tahmin edilmesi.

Jeolojik keşif:

• Madencilik sürecinin verimliliğinin arttırılması (madencilik verimlilik göstergelerini etkileyen önemli faktörlerin vurgulanması).

Diğer endüstriler:

• İmza tanıma dahil optik karakter tanıma;
• Görüntü işleme;
• Kaotik zaman serilerinin tahmin edilmesi;
• Tıbbi teşhis;
• Konuşma sentezi;
• Dilbilimsel analiz.