neuro_lab2
.pdf
действительных менее, чем на 1 %; ошибка на тестовых данных практически равна нулю. Следовательно, данную нейросеть можно использовать для задачи распознавания образцов минеральной воды. Лучше использовать полученную сеть, чем сеть из пункта 2, так как на ее обучение требуется в 2 раза меньше эпох, а значения полученных ошибок меньше, чем для сети из пункта 2.
5. В таблице применим ignore к var30, будем использовать 5-й класс в качестве тестового, для этого выберем 8 последних строк в качестве тестовых (синих). Синие строки, относящиеся к классам 1-4 заменим на обучающие (черные):
Рис. 38 - Часть отредактированной таблицы
11
Рис. 39 - Часть отредактированной таблицы Создадим многослойный персептрон с четырьмя выходами:
Рис. 40 - Многослойный персептрон с четырьмя выходами Характеристики нейросети:
−Тип: многослойный перцептрон
−Число слоев: 4
−Число входов: 8
−Число нейронов первого внутреннего слоя: 5
−Число нейронов второго внутреннего слоя: 3
12
−Число выходов: 4
−Steps: 1
−Lookahead: 0
−Функция преобразования нейронов: minimax
−Функция активации нейронов первого слоя: linear
−Функция активации нейронов первого внутреннего слоя: logistic
−Функция активации нейронов второго внутреннего слоя: logistic
−Функция активации нейронов выходного слоя: logistic
−Функция ошибки: sum-squared
Обучим нейросеть методом обратного распространения ошибки. Параметры обучения:
−Число эпох: 1000
−Скорость обучения: от 0,5 до 0,1
−Momentum: 0,3
Рис. 41 – График ошибки обучения и ошибки верификации нейросети
13
Рис. 42 - Таблица с предсказаниями нейросети и действительными классами
Вывод: из рис. 41 видно, что в процессе обучения нейросети в течение 1000 эпох значение ошибки обучения постепенно убывает и составляет 0,0155 на последней эпохе; значение ошибки верификации убывает, на последней эпохе составляет 0,0158. Из рис. 42 видно, что ошибка на тестовых данных 0,49 – очень большая. Следовательно, данную нейросеть нельзя использовать для задачи распознавания образцов 5-го типа минеральной воды.
14