8. Определить уровень ошибки байесовского классификатора.

Для каждой подмодели (S1, S2, S3) построить Байессов классификатор (2 класса).

Для определения р_i использовать весь объем данных. Для каждой пары кластеров данных находим свою ошибку разделения. Ошибкой считаем число неверных классификаций к общему числу примеров. Общая ошибка определяется путем усреднения ошибок по парам кластеров.

9. Построить нейросетевую модель решения.

Для каждой подмодели (S1, S2, S3) провести кластеризацию (2 класса).

В пакете Neural Network Toolbox провести моделирование нейронной сети обратного распространения ошибки в следующих вариантах:

• один слой (нелинейный нейрон),

• 2 слоя (1, 5, 10 – нейронов в первом слое(нелинейный), 1 выходной(линейный) нейрон)).

Пример.

%построение модели данных

%data для обучения

Data=normrnd(0,1,1000,2);%класс 1

Data=[Data; normrnd(3,1,1000,2)];%класс 2

T=[-ones(1,1000) ones(1,1000)]; %goal of process

%данные для test

Data_test=normrnd(0,1,1000,2);%класс 1

Data_test=[Data_test; normrnd(3,1,1000,2)];%класс 2

T_test=T;%цели для теста

figure; plot(Data(:,1),Data(:,2),'.')

hold on; plot(Data(1:1000,1),Data(1:1000,2),'.g')

%формируем сеть net

n=1; %; n=5; n=10 %число нейронов

s='tansig'; %s='purelin'% тип нейронов

%сеть из 2-х слоев

net=newff(minmax(Data'),[n 1],{'tansig','purelin'},'traincgp'); % ffnet

net=train(net,Data',T);%train of net

%использование сети для test

y=sim(net,Data_test');

figure;

plot(T,'r');

hold on;

plot(y,'b');

%error для тестовых данных

e=abs(T_test-y);

figure;

plot(e);

Определить ошибку обобщения. Ошибкой обобщения на тестовой выборке считаем число неверных классификаций к общему числу тестовых примеров.

10. Необходимо установить уровень ошибки байесовского классификатора и сравнить их с ошибкой нечеткой кластеризации и ошибками всех нейросетевых моделей. Оценить качество каждой модели.

11. Подготовить отчет в следующей форме:

Цель работы: …

Вариант: …

Изображение построенной модели. …

Таблица результатов (ошибки обобщения).

	Описание модели	Ошибка обобщения
Симметричное распределение данных в кластере с признаками S1
	Тип классификатора	Ошибка обобщения
	Байесов классификатор: С1-С2
	Нечеткий классификатор
	Нейросеть: 1 слой, нелинейный
	Нейросеть: 2слоя, нелинейный(1)+линейный
	Нейросеть: 2слоя, нелинейный(5)+линейный
	Нейросеть: 2слоя, нелинейный(10)+линейный
	Описание модели	Ошибка обобщения
Симметричное распределение данных в кластере с признаками S2
	Тип классификатора	Ошибка обобщения
	Байесов классификатор: С1-С2
	Нечеткий классификатор
	Нейросеть: 1 слой, нелинейный
	Нейросеть: 2слоя, нелинейный(1)+линейный
	Нейросеть: 2слоя, нелинейный(5)+линейный
	Нейросеть: 2слоя, нелинейный(10)+линейный
	Описание модели	Ошибка обобщения
Симметричное распределение данных в кластере с признаками S3
	Тип классификатора	Ошибка обобщения
	Байесов классификатор: С1-С2
	Нечеткий классификатор
	Нейросеть: 1 слой, нелинейный
	Нейросеть: 2слоя, нелинейный(1)+линейный
	Нейросеть: 2слоя, нелинейный(5)+линейный
	Нейросеть: 2слоя, нелинейный(10)+линейный

Вывод.

Исходный текст скрипта MathLab.

Литература

1. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры.- М:Из-во МГТУ, 2004.

2. Местецкий Л.М. Математические методы распознавания образов. Курс лекций, 2004.

3. Искусственный интеллект. Справочник– В 3-х кн./Под ред. Д.А.Поспелова - М.:Радио и связь, 1990. – 304 с.: ил.

4. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект: Пер. с японск. – М.: Мир, 1993. – 400.