Нейросетевой анализ данных на основе самоорганизующихся карт Кохонена.

Проверим результаты, полученные при анализе нейронной сети. Проверку будем осуществлять с помощью карт Кохонена. Обучение будем проводить на всей обучающей выборке, то есть класс, в который входит Чукотский АО, также будет участвовать в обучении. Данная выборка находится в файле Карты Кохонена.xls.

Для карт Кохонена выберем следующие параметры: ошибка должна быть меньше 0,005, количество эпох – 500, скорость в начале обучения – 0,3, скорость в конце обучения – 0,005 и ступенчатую функцию соседства.

Сначала построим карты Кохонена, установив автоматическое определение количества кластеров. Результат обучения (рис. 28):

Рис. 28. Результат обучения карт Кохонена

После обучения получили следующие карты (рис. 29).

Рис. 29. Карты Кохонена для каждого из признаков

Программа разбила обучающую выборку на 6 кластеров. Нам такое разделение не подходит. Установим теперь фиксированное количество кластеров равное четырем. Остальные параметры оставим теми же. Повторим обучение (рис. 30):

Рис. 30. Результат обучения карт Кохонена

В результате получили следующие карты (рис. 31):

Рис. 31. Карты Кохонена для каждого из признаков

Из полученных карт (рис. 31) видно, что значимыми признаками являются «Картофель», «Рыба и рыбопродукты» и «Яйца и яйцепродукты». Признаки «Фрукты и ягоды» и «Хлебные продукты» не являются значимыми и оказывают малое влияние на распознавание.

Правила, полученные при построении дерева решений, подтверждают, что выделенные картами значимые признаки участвуют в определении классов, а значит, карты классифицируют правильно.

Для подтверждения этого утверждения рассмотрим таблицу сопряженности (рис. 32).

Рис. 32. Таблица сопряженности

Из неё видно, что все объекты распределены по классам правильно.

Анализ с помощью гибридной (нейро-нечеткой) сети. Построение выборки.

Проанализируем полученные классы по количеству объектов. В первый класс входит один объект, Чукотский АО. Это класс, объекты которого имеют наименьшее потребление основных продуктов. Правила показали, что в этом регионе РФ много картофеля и рыбы и рыбопродуктов, но мало остальных продуктов. Во второй класс попало 8 объектов, в которых потребление продуктов на душу населения также небольшое, но больше, чем в первом классе. Можно утверждать, что первый класс является подклассом второго, так как, после всех проведенных анализов, правила для этих классов совпали. Отделение же Чукотсткого АО в отдельный класс произошло из-за сильного различия в количестве потребляемых продуктов на душу населения. Так как первый и второй классы характеризуют «рыбные» регионы, объединим их в один класс и обозначим его как класс 1.

В третий класс входит 37 регионов, которые характеризуются малым потреблением рыбы и рыбопродуктов, средним потреблением картофеля и большим потреблением яиц и яйцепродуктов. Обозначим данный класс как класс 2.

В четвертый класс входят 3 объекта, которые характеризуются большим потреблением картофеля, средним потреблением яиц и малым потреблением рыбы. Обозначим данный класс как класс 3.

Таким образом, получили 3 ярко выраженных класса. Во второй класс входит достаточно много объектов, по сравнению с другими классами. Попробуем разбить его на подклассы, используя все виды анализа, рассмотренные ранее. Таким образом, сможем построить выборку для нейро-нечеткой сети.