34.Характеристика этапов работы с нейронной сетью (на примере аналитического пакета Deductor).

1)Формирование файла, содержащего данные для обучения сети.

2)Определение входных и выходных полей.

3)Нормализация значения входных и выходных полей.

4)Настройка обучающей выборки - выделение обучающей и тестовой части.

5)Настройка сети – выбор количество слоев, выбор количества нейронов в слоях, задание характеристик нейронов, выбор алгоритма обучения.

6)Обучение нейросети.

7)Использование нейросети.

Формирование файла. В качестве файла может выступать любой структурированный документ. Затем этот файл необходимо переместить в систему.

Определение входных и выходных полей.

В самом начале работы с нейросетью нужно определиться, что является ее входами, а что – выходами.

Нормализация значений полей.

Целью нормализации значений полей является преобразование данных к виду, наиболее подходящему для обработки средствами Deductor Studio, т.е. данные, поступающие на вход, должны иметь числовой тип, а их значения должны быть распределены в определенном диапазоне.

Для нейросети доступны следующие виды нормализации полей.

1)Линейная. Исп-ся только для непрерывных числовых полей. Позволяет привести числа к диапазону [min..max],

2)Уникальные значения. Используется для дискретных значений (строки, числа или даты, заданные дискретно). Тогда все значения необходимо расположить в порядке возрастания. Далее они нумеруются по порядку и значения заменяются их порядковым номером.

3)Битовая маска. Используется для дискретных значений. Этот вид нормализации следует использовать для величин, которые можно только сравнивать на равенство или неравенство, но нельзя сказать, какое больше, а какое меньше. Все значения заменяются порядковыми номерами, а номер рассматривается в двоичном виде или в виде маски из нулей и единиц. Тогда каждая позиция маски рассматривается как отдельное поле, содержащее ноль или единицу.

Есть настройка нормализации полей по умолчанию. В этом случае нормализация будет произведена автоматически в зависимости от типов и видов полей:

Настройка обучающей выборки.

Обучающую выборку разбивают на два множества – обучающее и тестовое.

Обучающее множество ‑ включает записи (примеры), которые будут использоваться непосредственно для обучения сети, т.е. будут содержать входные и желаемые выходные (целевые) значения.

Тестовое множество – исп-ся для проверки результатов обучения.

Настройка нейросети

Далее задаются параметры, определяющие структуру нейронной сети -количество скрытых слоев и нейронов в них, а также активационная функция нейронов.

Обучение нейросети.

После настройки конфигурации сети следует выбрать алгоритм ее обучения.

Метод обратного распространения ошибки– итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущих значений выходов сети от требуемых. Дост-ва: высокая устойчивость, а следовательно, надежность. К недостаткам долгий процесс обучения

Метод Resilent Propogation (Rprop) ‑ эластичное распространение. Алгоритм использует так называемое «обучение по эпохам», когда коррекция весов происходит после предъявления сети всех примеров из обучающей выборки. Преимущество обучение сети в 4-5 раз быстрее, чем алгоритм обратного распространения.

Обучение может с большой долей вероятности считаться успешным, если процент распознанных примеров на обучающем и тестовом множествах достаточно велик (близок к 100%).