4.3. Оценка качества обучения нейронной сети
Ошибка обучения является средним показателем качества обучения. Поэтому только по значениям средней и максимальной ошибки невозможно оценить, на каких классах сеть обучается лучше, а на каких хуже. Для более точной оценки качества обучения можно использовать гистограмму распределения вероятностей относительной ошибки предсказания сети. Она строится для каждого класса (образа) отдельно. Гистограмма показывает распределение относительной ошибки в заданных диапазонах (классах). Конкретные значения диапазонов и их количество выбираются исходя из специфики задачи. При выполнении данной лабораторной работы рекомендуется использовать следующие диапазоны для значений вероятностей:
I - ошибка меньше 0,001%;
II - ошибка в пределах 0,001%-0,01%;
III - ошибка в пределах 0,01%-0,1%;
IV - ошибка в пределах 0,1%-1%;
V - ошибка в пределах 1%-5%;
VI - ошибка в пределах 5%-10%;
VII - ошибка в пределах 10%-30%;
VIII - ошибка в пределах 30%-50%;
IX - ошибка в пределах 50%-100%;
Относительная ошибка рассчитывается, учитывая способ интерпретации целевого вектора, т.е. его формат:
метод вероятностей |
ошибка рассчитывается только для ненулевых элементов целевого вектора Di | |
метод номеров классов (образов) |
M – число классов (образов) | |
метод корректных образов |
k – число несовпадений целевого вектора и выходного вектора; m – длина целевого вектора. Рассчитывается расстояние Хемминга | |
метод знаковой интерпретации |
k – число несовпадений целевого вектора и выходного вектора; m – длина целевого вектора. Рассчитывается расстояние Хемминга | |
метод значений |
|
5. Порядок выполнения работы
5.1. Изучить теоретически материал по основам построения структуры многослойного персептрона.
5.2. С помощью программы-эмулятора НС NeuroPro 0.25 определить значимость входной информации в подготовленной на предыдущем занятии обучающей выборке (кроме обучающих выборок для распознавания образов). Результаты оформить в виде таблицы и гистограммы. Сделать вывод о качестве подготовки обучающего множества. На данном занятии в качестве компонент вектора входных значений НС выбрать все параметры из обучающего множества вне зависимости от значимости входной информации.
5.3. Сформировать структуру многослойного персептрона. Значение характеристики с активационной функции на данном этапе следует выбрать 0,1. Тип значений полей в векторах обучающей выборки целесообразнее устанавливать количественный (непрерывный) с точностью не больше 0,1. Для задач распознавания образов с методом интерпретации целевого вектора "метод корректных образов" тип значений выходного поля можно установить качественный (дискретный). При этом надежность должна быть не больше 0,001.
5.4. Установить параметры обучения НС и произвести обучение МСП. При этом момент окончания процесса обучения НС определить самостоятельно. В отчете зафиксировать время обучения (если оно существенно), количество циклов обучения МСП, последнее значение скорости обучения (шаг обучения), значения средней и максимальной ошибки (оценки) и количество правильно распознанных примеров.
5.5. Сохранить все результаты обучения нейронной сети на отдельном листе xls-файла, где находится Ваша обучающая выборка.
5.6. Построить гистограммы распределения вероятностей относительной ошибки предсказания сети на этапе обучения по каждому классу (образу). По гистограммам сделать вывод о качестве обучения НС.
5.7. Построить гистограмму распределения средней относительной ошибки предсказания сети на этапе обучения (средняя ошибка для каждого класса (образа). По гистограмме сделать вывод о качестве обучения НС.