Построение нейросетевого классификатора

• В результате кластеризации все множество данных было разбито на четыре класса.

• Внутри кластеров данные однородны

• значит, поведение физического процесса в рамках одного кластера более предсказуемо, нежели поведение этого процесса в общем.

Чтобы новый элемент (x, y, Factor1, Factor2) отнести к к-л классу, надо создать инструмент, который:

• по заданной четверке чисел выводил бы кластер, к которому данный объект принадлежит.

• Т.е. решить задачу классификации

Решим задачу классификации с применением нейронных сетей.

Запуск модуля Neural Networks:

• воспользуемся одноименной командой

• основное меню системы STATISTICA - Statistics.

• Команда Neural Networks

• вызов стартовой панели модуля STATISTICA Neural Networks (SNN) =>

• появл-ся стартовая панель модуля STATISTICA Neural Networks (SNN).

 

Рис.17. Стартовая панель модуля SNN.

 

• Вкладка Quick - Быстрый- разделProblem Type = Класс задач выберем Classification – Классифика4ция.

• выбрать переменные для анализа: кнопка Variables =>

• появляется окно Select input (independent), output (dependent) and selector variables - Укажите входные (независимые), выходные (зависимые) и группирующие переменные

• В данном окне задаём 3 списка переменных:

  • Categorical outputs - Категориальные выходящие, в нашем случае, - это переменная Cluster

  • Continuous inputs - Непрерывные входящие, в нашем примере, - это переменные x и y.

  • Categorical inputs - Категориальные входящие, у нас это переменные Factor1 и Factor2.

• Раздел Subset variable - Разбиение на подмножестванеобязателенд/заполнения (выбор переменной, в которой содержатся коды для разбиения данных на обучающее контрольное и тестовое множества)

 

Рис.18. Выбор переменных для Анализа.

 

Раздел Select analysis - Выбор анализа:

• нужна опцияIntelligent Problem Solver(устанавливается по умолчанию)

• нажмем кнопку OK.

• появляется окно настройки процедуры Intelligent Problem Solve

• вкладка Quick - Быстрыйи её разделOptimization Time - Время оптимизации

• в поле ввода Networks tested - Количество тестируемых сетейукажем 50

 

Рис.19. Вид диалогового окна поиска сети.

 

В диалоговом окне состояния алгоритма поиска сети:

• выводится информация, что и в примере задачи регрессии

• За исключением: производительность сейчас равна доле правильно классифицируемых наблюдений

• чем ближе производительность к единице, тем лучше.

• В итоге, отобрана сеть с наилучшей производительностью 

Рис.20. Параметры нейронной сети - классификатора.

 

Вкладка Descriptive Statistics - Описательные статистики:

• нажмем одноименную кнопку

• появится таблица статистик классификации

  • Столбцы этой таблицы - наблюдаемые классы

  • строки - предсказанные классы

• В идеале в этой матрице диагональные эл-ты д.б. отличны от нуля, а все остальные ячейки – нулевые =>

• производительность сети = 1 (В нашем случае, на одном из наблюдений нейронная сеть ошиблась)

 

Рис.21. Статистики классификации.

 

Определить кластер многомерного наблюдения:

• вкладка Advanced - Дополнительно- кнопкаUser defined case - Пользовательское значение

• появл-ся диалоговое окно User defined case prediction - Прогноз значений пользователя -вкладкаQuick - Быстрый- кнопкаUser defined input - Задать входные значения.

 

Рис.22. Вид диалогового окна User defined case prediction - Прогноз значений пользователя.

 

• Ввести значения

• нажать кнопку Predictions – Прогноз

• нейронная сеть выдаст номер кластера, которому принадлежит заданный объект.

• Классификатор построен.

Сохранение конфигурации нейронной сети, выполняющей классификацию:

• в диалоговом окне результатов поиска нейронной сети необходимо нажать кнопку ОК

• перейти в стартовую панель модуля

• В стартовой панели модуля выберите вкладку Networks/Ensembles - Сети/Ансамбли -> кнопкаSave network file as ... - Сохранить файл нейронный сети как ...