9068

Подготовить обучающую выборку средствами приложения Microsoft Excel и

оформить ее в виде текстового файла с разделителями.

Рекомендации: Чтобы создать набор случайных чисел, нужно использовать функцию Excel СЛЧИС(). Затем случайные числа следует перевести в нужный диа-

пазон и рассчитать значение заданной функции в соседнем столбце.

Провести обучение нескольких нейронных сетей (с различной архитектурой) с

помощью Deductor по алгоритму обратного распространения;

Проверить качество каждой обученной сети с помощью диаграммы рассеяния.

Выбрать наилучшую модель и оценить точность аппроксимации.

Общее задание: f x1 x2 (использовать готовый файл multi.txt)

Индивидуальные задания:

1. f x1 x2 x4 x5 x3

4.f x1 x2 x3 x4 x52

5.f 0,5Cos(x1 x2 )2 x3 1x4 2 x5

6.f 5x1 Cos(x2 x3 ) Sin(x4 x25 )

7.f 3Cos(x1 x2 ) 2Sin(x3 ) ln x4 10x52

8.f x12 x22 x32 x42 x52

9.f x1 2Cos(x2 ) x32 x4 Sin(x5 )

111

12.f 5x1 Sin(x2 x3 ) Cos(x4 x25 )

13.f x13 x23 x33 x43 x53

Задание 2 по теме «Алгоритм обратного распространения ошибок нейросе-

тевого моделирования»

1)Выполнить полностью 3 цикла прямого и обратного прохода ИНС, исполь-

зуя алгоритм обратного распространения ошибок для входного образца (0,1; 0,9) и целевого выходного значения 0,9 в предположении, что сеть имеет ар-

хитектуру 2-3-1 c весовыми коэффициентами:

для первого слоя:

для второго слоя:

0,2

0,2

0,3

Параметры обучения: 1 и 0,1

2)Для НС типа 3-2-3 на вход подается вектор (1; 0,9; 0,9) для которого целе-

вым выходным вектором является (0,1; 0,9; 0,1).

Пусть выходом элемента В является значение 0,6, а выходом элемента С – зна-

чение 0,8. Функцией активации является сигмоида.

a)Вычислите фактический выходной вектор

b)Вычислите значения ошибок для каждого выходного элемента

c)Вычислите значения ошибок для каждого скрытого элемента

112

Задание 3. Решение задачи классификации и прогнозирования с помощью

нейросетевого моделирования

1.Импортировать данные из файла Риэлтор.txt.

2.В графическом экране отсортировать по убыванию поле Цена.

3.Используя OLAP, определить характеристики 10 самых дорогих квартир.

4.Выполнить предобработку данных с помощью обработчика Парциальная об-

работка (по данным цена – удалить аномалии).

5. Выполнить корреляционный анализ (для определения незначащих факторов):

на входе: все факторы, кроме номера примера; На выходе –цена.

Какие из признаков более значимые, какие – нет?

6.Выполните квантование данных по полю Цена по трем интервалам.

7.Применяя обработчик Замена данных, замените названия интервалов на де-

шевые, средние, дорогие.

8. Построить классификатор на основе нейронной сети для оценки недвижимо-

сти, относящий объекты недвижимости на основе их признаков к одному из трех классов «дорогие, средние, дешевые квартиры.

9. Для оценки качества модели постройте таблицу сопряженности и диаграм-

му «качество классификации».

10. Используя обработчик Нейросеть, постройте несколько моделей прогно-

зирования цены с разной конфигурацией, (поле «номер пример» – информац.,

все – на вход, а цена – на выход). Теперь поле «цена» обязательно должно быть непрерывным.

11.Сколько весовых связей имеет нейронная сеть? Рассчитайте максимально возможное число нейронов скрытого слоя.

12.В ходе проектирования нейросетевой модели выявите оптимальную кон-

фигурацию нейронной сети, используя визуализаторы оценки качества модели.

13.Определить оптимальную структуру нейронной сети с точки зрения ми-

нимизации среднеквадратической ошибки обучения.

113

14.Изучить графические зависимости среднеквадратической ошибки обу-

чения от количества нейронов, используемых в скрытых слоях, и от количества итераций, используемых для обучения.

15. При помощи визуализатора «Что-если» проверьте, как работает построен-

ный нейросетевой классификатор и лучшая нейросеть прогноза цены.

114