Рисунок 2.3.5 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 100
Рисунок 2.3.6 – Результаты распознавания при числе эпох 100
Число кластеров – 8, количество ошибок – 4.
При числе эпох обучения равным 50:
10
Рисунок 2.3.7 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 50
Рисунок 2.3.8 – Результаты распознавания при числе эпох 50
Число кластеров – 12, количество ошибок – 10.
При числе эпох обучения равным 10:
11
Рисунок 2.3.9 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 10
Рисунок 2.3.10 – Результаты распознавания при числе эпох 10
Число кластеров – 8, количество ошибок – 16.
Далее представлен график зависимости доли корректно распознанных объектов от числа эпох обучения при использовании алгоритма «Классический».
12
|
100 |
|
|
|
|
% |
90 |
|
|
|
|
объектов, |
|
|
|
|
|
80 |
|
|
|
|
|
70 |
|
|
|
|
|
распознаных |
60 |
|
|
|
|
50 |
|
|
|
|
|
40 |
|
|
|
|
|
корректно |
|
|
|
|
|
30 |
|
|
|
|
|
20 |
|
|
|
|
|
|
|
|
|
|
|
Доля |
10 |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
10 |
50 |
100 |
500 |
1000 |
|
|
|
Число эпох |
|
|
Рисунок 2.3.11
Из графика видно, что с увеличением числа эпох до 100 модель обучается более эффективно, что приводит к значительному снижению количества ошибок и повышению доли корректно распознанных объектов. Наблюдается период быстрого роста: с 10 до 100 эпох доля правильных ответов выросла с 73,8% до
93,4%, то есть прирост составил почти 20%. Однако после 100 эпох дальнейшее обучение приводит к ухудшению работы модели. При увеличении числа эпох до
500 и 1000 точность снижается до 91,8%, а количество ошибок возрастает. Это указывает на то, что модель начинает переобучаться.
Таким образом, наилучший результат демонстрирует модель, обученная в течение 100 эпох, где достигается пиковая точность в 93,4%. Использование большего числа эпох не только не улучшает, но и ухудшает качество распознавания, что делает нерациональными дополнительные вычислительные затраты.
13
3ВЫВОДЫ
Врезультате выполнения лабораторной работы были изучены такие методы кластерного анализа в системах искусственного интеллекта, как Кластерный анализ и карты Кохонена.
Также при изучении модели обучения карт Кохонена было произведен анализ двух алгоритмов: «PLSOM» и «Классический» (SOM).
На основе полученных данных можно сделать однозначный вывод о преимуществе алгоритма PLSOM над алгоритмом «Классический» по всем ключевым параметрам.
По скорости обучения: PLSOM демонстрирует значительно более быструю сходимость – уже после 10 эпох обучения он достигает точности 86,9%, в то время как классический SOM показывает только 73,8%. Это преимущество сохраняется на всех этапах обучения.
По стабильности работы: PLSOM показывает монотонное улучшение качества по мере увеличения количества эпох (от 86,9% до 98,36%), тогда как классический SOM страдает от нестабильности - после достижения пика в
93,44% на 100 эпохах его качество снижается до 91,8% при дальнейшем обучении, что свидетельствует о переобучении.
По итоговому качеству: PLSOM достигает максимальной точности 98,36%,
что существенно превышает лучший результат классического (93,44%).
14