3.3. Система нейронной сети PathFinder

Система PathFinder разработана специально для тех, кто только начинает работать с нейронными сетями, чтобы облегчить переход к их использованию.

Нейронная сеть - очень мощный инструмент моделирования данных, но прежде чем начать с ней работу необходимо обладать вводными знаниями.

PathFinder функционирует совместно с приложением Microsoft Excel, что позволяет существенно упростить манипуляции с данными. PathFinder является мощным инструментом, не смотря на то, что удобен и прост в работе. Но нельзя думать, что его легко использовать, система использует один из самых развитых алгоритмов нейрон­ной сети и необходимо внимательно следить за протеканием работы.

3.3.1. Нейронная сеть

Нейронные сети используют ряд элементов обработки (или узлы) аналогичные нейронам в мозге (отсюда и название, нейронные сети). Эти элементы обработки свя­заны в сеть, которая может идентифицировать образцы в данных. В некотором смыс­ле, сеть набирается опыта так же, как люди. Это отличает нейронные сети от традици­онных вычислительных программ, которые просто следуют за инструкциями в непод­вижном последовательном алгоритме.

Структура нейронной сети выглядит следующим образом (рис.4): нижний слой представляет слой входа, в данном примере 5 входов (XI - Х5). В середине находится так называемый скрытый слой с переменным числом узлов. Именно скрытый слой выполняет большую часть работы сети. Слой выхода в данном случае имеет два узла, Z1 и Z2. Каждый узел в скрытом слое связан со всеми входами. Это означает то, что изученные данные в скрытом узле основаны на всех входах, взятых вместе. Таким обра­зом, на скрытом слое сеть изучает зависимости в мо­ дели.

_Рис.4. Структура нейронной сети.

Рис.4 поясняет некоторые детали о том, что происходит в скрытом уз­ле. Проще говоря, функция складывается следующим образом:

F(I)=X1*W1+Х2*W2 … Х5*W5.

Эта функция вы­полняется для каждого скрытого узла и каждого узла выхода. Используя алгоритм изучения, получается функция нейрон­ной сети.

В нейронных сетях существует несколько алгоритмов обучения; система PathFinder использует последнюю версию од­ного из самых популярных - алгоритм обратного обучения.

Используя обратное обучение, нейронная сеть учится посредствам повторяющейся процедуры, т.е. на примере. В сети неоднократно прогоняются данные, которые должны быть изу­чены, а она автоматически вносит изменения в функцию, чтобы лучше соответствовать модели (уменьшить ошибку). Этот процесс повторяется мно­го раз. Пользователь управляет этим процессом, решая, сколько данных показывать в данное время (размер эпохи), определяя количество изменений функции, которые бу­дут сделаны (норма изучения), и числа параметров в сети (число скрытых узлов).

3.3.2. Ключевые требования к работе с нейронной сетью

Для работы с нейронной сетью необходимы три набора данных: учебный набор, испытательный набор, набор для проверки.

Учебный набор - набор данных, используемых нейронной сетью, чтобы изучить проблему.

Испытательный набор используется в течение обучения для контроля процесса изучения.

Набор для проверки используется после обучения как заключительный этап, что­бы определить, насколько верно выполняется модель.

Каждый из этих трех наборов данных используется системой PathFinder.

Параметры обучения в нейронной сети определяют степень изучения задачи. Од­ним из главных достоинств системы PathFinder является то, что она использует по­следнюю версию алгоритма обучения и установит параметры для вашей задачи авто­матически.

Архитектура сети - это структура сети, которая определяется несколькими пара­метрами. В системе PathFinder основными являются следующие: число узлов выхода, функции преобразования выхода, число узлов в скрытом слое и длина эпохи.

Число выходов: число узлов выхода зависит от поставленной задачи. В боль­шинстве задач прогнозируемое число выходов равно единице. Например, если Вы хо­тите предсказать продажи, то выходы - это количество продаж.

Преобразование выхода: PathFinder поддерживает два возможных преобразова­ния выхода: сигмоидальное преобразование и линейное преобразование.

Число узлов в скрытом слое: число узлов в скрытом слое управляет числом функций в модели. Вообще, сложное решение серьезной задачи требует большого ко­личества узлов на скрытом слое. Однако, превышение количества узлов может при­вести к переобучению, это значит, что сеть "собирает" шум в данных. По умолчанию в PathFinder 6 скрытых узлов, т.к. их большее количество требуется довольно редко.

Длина эпохи: длина эпохи - число наблюдений, найденных в ходе алгоритма изу­чения до преобразования функции. Идея в том, чтобы найти подходящую длину эпоху для исключения влияния отклонений в данных на результат.

В PathFinder по умолчанию задана длина эпохи равная 12.