Решение
Напишем функцию, которая обучит модель на тренировочном датасете (train), проверит на другом (test) и построит график точности по предсказанным моделью данным (на тестовом датасете):
def regression_tree(X_train, y_train, X_test, y_test):
rt_model = DecisionTreeRegressor() # Создадим модель
rt_model.fit(X_train, y_train) # Обучим на test
rt_y_pred = rt_model.predict(X_test) # Попросим предсказать на train
visualize(y_test, rt_y_pred, "Decision Tree Regressor") #Посмотрим точность
tree.plot_tree(rt_model) # Посмотрим, как выглядит дерево решений
plt.title('Decision Tree Regressor') # Подпишем рисунок с деревом решений
plt.show() # Выведем рисунок на экран
Часть III. Нейронные сети
Нейрон — основной элемент нейронной сети, выполняющий функцию адаптивного сумматора с варьируемыми входными весовыми коэффициентами, суммарный выходной сигнал которого подвергается линейной или нелинейной обработке, образуя итоговый выходной сигнал.
Синапс — линейная связь, характерная для каждого из сумматоров, служащая для обозначения направления распространения сигнала, который умножается на заданный синаптический весовой коэффициент.
Нейрон является составной частью нейронной сети.
Он состоит из элементов трех типов: умножителей (синапсов), сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи (вес синапса). Значение на входе синапса умножается на вес данного синапса, затем все значения суммируются. Они и определяют текущее состояние нейрона. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента—выхода сумматора. Эта функция называется функцией активации или передаточной функцией.
Слой— множество нейронов (узлов), имеющих общие входные или выходные сигналы.
Нейронная сеть — структура соединенных между собой нейронов, которая характеризуется топологией, свойствами узлов, а также правилами обучения или тренировки для получения желаемого выходного сигнала.
Схема
простой нейросети.
Зелёным
цветом обозначены входные нейроны,
голубым —скрытые нейроны,
жёлтым —выходной нейрон
Рисунок 4. Модель простой нейросети
Управляемое обучение — процесс обучения нейронной сети, непременным требованием которого является существование готового обучающего набора данных.
Обучение без управления — процесс обучения нейронной сети, при котором наличие полного набора эталонов не является обязательным.
Тестирование — этап проверки работоспособности нейронной сети.
Нейронная сеть представляет собой структуру нейронов, соединенных между собой. Сеть характеризуется внутренними свойствами образующих ее нейронов, индивидуальной топологией (архитектурой), а также правилами обучения (тренировки).
Нейрон выполняет функцию адаптивного сумматора с регулируемыми уровнями входных сигналов, который осуществляет дополнительную линейную или нелинейную обработку вычисленной суммы с целью получения результата.
Нейрон получает входные сигналы. Входная функция нейрона, расположенного в слое m, реализует операцию суммирования взвешенных выходов пресинаптических нейронов, расположенных в предыдущем (m –1) слое.
Преимущество нейронных сетей:
Высокая адаптивность, то есть нейросети могут приспосабливаться к изменению ситуации по средствам своего поведения.
Нейронная сеть особенно подходит для моделирования нелинейной зависимости.
Недостатки:
Принцип «черного ящика».
Качество решения зависит от логики выбора входных данных и способа обучения.