neuro_lab4

Откроем Run – data set:

11

Откроем Train – class labels – щелчок по K-L Nearest. В полученной таблице должны быть представлены (в идеале) все 5 выявленных класса минеральной воды (v1-v5):

Из полученных результатов видно, что кластеризация проведена недостаточно хорошо – выявлены только 4 класса v1-v4, а v5 невыявлен.

Посмотрим результаты отнесения в кластеры другим образом. Установим отображение сети в цвете: Options – activations in color.

Запустим активацию по одному случаю: Run - single case:

12

Из полученных результатов видно, что первый из 40 образцов воды отнесен к первому нейрону.

Запустим активацию другим способом: Run – topological map:

Понизим требования по ошибке: Edit - pre/post processing (сделаем уровень принятия Accept 0,45 вместо 0,05):

Результат – отображение для всех 40 наблюдений образцов воды:

13

Посчитаем по таблице отношение числа неверных определений к общему числу наблюдений:

8/40 = 0,2

Для визуализации данных в run data set variables нажмем <-Data Set (добавили 3 столбца в главную таблицу):

Далее выберем Run – cluster diagram и внесем в Group by номер столбца с истинными типами воды (номер 4), в X – номер столбца с одним из 4 признаков (любой, например, 1), в Y - номер столбца с одним из 4 признаков (любой, например, 2), нажмем Update:

14

Заменим номер в Group by на номер столбца с предсказанными сетью значениями (номер 5):

Видно, что все наблюдения, реально относящиеся к классу v5, были отнесены сетью в класс v4, то есть кластеризация проведена сетью неидеально.

Сравним полученные результаты с лучшими результатами классификации многослойным персептроном, полученными в лабораторной работе № 2.

Многослойный персептрон с пятью выходами:

15

Характеристики нейросети:

−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

Параметры обучения (метод обратного распространения ошибок):

−Число эпох: 2000

−Скорость обучения: 0,9

−Momentum: 0,3

График ошибки обучения и ошибки верификации нейросети:

Таблица с предсказаниями нейросети и действительными классами:

16

При допуске 6 % (0,06) все образцы удовлетворяют допуску.

Таким образом, сравнение результатов кластеризации сетью Кохонена и классификации многослойным персептроном показало, что многослойный персептрон позволяет получить более качественные результаты, в то время, как сеть Кохонена не определила ни одного образца 5-го класса минеральной воды.

17