КОНСПЕКТ ЛЕКЦИЙ КОДЭИ

Посмотрим на итоги сети со средними показателями. Выберем сеть №1. MLP 4-3-4 — процент правильной классификации 76.

Рассмотрим таблицу предсказанных значений для сети №1. MLP 4-3-4.

Итоги по сети №1. MLP 4-3-4:

Сеть показала ошибочность первоначального отнесения команды Хорватии ко второй группе. Команда Хорватии должна находиться в первой группе.

Команды ГДР и Словакии должны относиться не к четвертой, а к второй группе.

Итоги по сети №10. MLP 4-6-4:

Сеть показала ошибочность первоначального отнесения команд Англии, Хорватии и Югославии ко второй группе. Расчеты показывают большую вероятность попадания этих команд в первую восьмерку стран на предстоящем в 2004 году очередном континентальном первенстве.

Попробуем провести классификацию данных стандартным методом.

Результат классификации

И здесь расчеты показывают ошибочность первоначального отнесения команд Англии, Хорватии и Югославии ко второй группе.

Выводы по примеру:

1.Количество наблюдений 52.

2.Нам удалось получить очень хорошие нейронные сети №8. MLP 4-6-4, №10. MLP 4-6-4 с высокими показателями.

3.Однако количество наблюдений на контрольной и тестовой подвыборках составляло по 7 штук, что явно недостаточно.

4.Вероятно, мы столкнулись с проблемой переобучения сетей.

Термин «сети Кохонена» был введен в 1982 г. финским ученым Тойво Кохоненом. Хотя изначально сети Кохонена применялись для обработки изображений и звука, они также являются эффективным средством кластерного анализа. Сети Кохонена представляют собой разновидность самоорганизующихся карт признаков, которые, в свою очередь являются специальным типом нейронных сетей.

Основная цель сетей Кохонена — преобразование сложных многомерных данных в более простую структуру малой размерности. Таким образом, они хорошо подходят для кластерного анализа, когда требуется обнаружить скрытые закономерности в больших массивах данных.

Одно из возможных применений сетей Кохонена - разведочный анализ данных. Сеть может распознавать кластеры в данных, а также устанавливать близость классов.

Таким образом, исследователь может улучшить свое понимание структуры данных, чтобы затем уточнить нейросетевую модель. Если в данных распознаны классы, то их можно обозначить, после чего сеть сможет решать задачи классификации. Сети Кохонена можно использовать и в тех задачах классификации, где классы уже заданы, тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами.