neuro_lab4
.pdfОткроем 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