КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Нейросетевой анализ данных на основе самоорганизующихся карт Кохонена
Нейросетевой анализ данных на основе обучения с учителем.
Для данного анализа будет использоваться выборка, полученная на предыдущем шаге. Данную выборку можно найти в файле Нейросетевой анализ.xls. Выберем структуру нейронной сети. В качестве входных полей выберем основные продукты, потребляемые в регионах, в качестве выходного параметра – класс. Название региона будет информационным полем. Рис. 26. Нейросеть [5х2х1] В полученной нейронной сети (рис. 26) один скрытый слой с двумя нейронами. Обучение производилось со значением ошибки 0,005 и количеством эпох 10000. Рис. 27. Таблица сопряженности Таблица сопряженности (рис. 27) показала, что все объекты были классифицированы без ошибок. Данное значение было достигнуто только при удалении из обучающей выборки класса с одним регионом, то есть класса с Чукотским АО. Причиной этого является слишком большое различие в значениях параметров, класс отстоит от остальных на большом расстоянии.
Проверим результаты, полученные при анализе нейронной сети. Проверку будем осуществлять с помощью карт Кохонена. Обучение будем проводить на всей обучающей выборке, то есть класс, в который входит Чукотский АО, также будет участвовать в обучении. Данная выборка находится в файле Карты Кохонена.xls. Для карт Кохонена выберем следующие параметры: ошибка должна быть меньше 0,005, количество эпох – 500, скорость в начале обучения – 0,3, скорость в конце обучения – 0,005 и ступенчатую функцию соседства. Сначала построим карты Кохонена, установив автоматическое определение количества кластеров. Результат обучения (рис. 28): Рис. 28. Результат обучения карт Кохонена После обучения получили следующие карты (рис. 29).
Рис. 29. Карты Кохонена для каждого из признаков Программа разбила обучающую выборку на 6 кластеров. Нам такое разделение не подходит. Установим теперь фиксированное количество кластеров равное четырем. Остальные параметры оставим теми же. Повторим обучение (рис. 30): Рис. 30. Результат обучения карт Кохонена В результате получили следующие карты (рис. 31):
Рис. 31. Карты Кохонена для каждого из признаков Из полученных карт (рис. 31) видно, что значимыми признаками являются «Картофель», «Рыба и рыбопродукты» и «Яйца и яйцепродукты». Признаки «Фрукты и ягоды» и «Хлебные продукты» не являются значимыми и оказывают малое влияние на распознавание. Правила, полученные при построении дерева решений, подтверждают, что выделенные картами значимые признаки участвуют в определении классов, а значит, карты классифицируют правильно. Для подтверждения этого утверждения рассмотрим таблицу сопряженности (рис. 32). Рис. 32. Таблица сопряженности Из неё видно, что все объекты распределены по классам правильно.
Дата добавления: 2015-06-04; Просмотров: 676; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |