|
|
|
Этот метод требует большого времени счета (обычно приходится строить и проверять многие тысячи сетей), однако реализованная в пакете ST Neural Networks его комбинация с быстро обучающимися сетями типа PNN/GRNN позволяет ускорить его работу настолько, насколь- ко это вообще возможно [244]. Выполнение алгоритма Прогонять этот алгоритм мы будем на модифицированном вари- анте усеченного набора данных про ирисы, но прежде сделаем хотя бы одну переменную Выходной - Output через диалоговое окно Вы- бор типов переменных– Set Variable Types → Типы –Type → Пере- менные – Variables → меню Правка – Edit. В состав программы входит файл данных Iris.sta или IrisDat.sta, относящийся к задаче Фишера о классификации ирисов. Рассматривается три вида цветков ириса: Setosa, Versicolor и Virginica. Всего имеется по 50 экземпляров каждого вида, и для ка- ждого из них измерены четыре величины: длина и ширина чашели- стика, длина и ширина лепестка. Цель состоит в том, чтобы научить- ся предсказывать тип нового (пока не известного) цветка по данным этих измерений. Эта задача интересна сразу но нескольким причинам. Во- первых, один из классов (Setosa) линейно отделим от двух других Оставшиеся два разделить гораздо труднее, и кроме того, имеется несколько экземпляров, выбивающихся из общей картины, которые легко отнести к другому классу. Такие выбросы являются хорошей проверкой надежности работы сети на сложных данных. Представление нескольких классов Загрузите файл Iris.sta или IrisDat.sta в пакет ST Neural Networks и взгляните на данные. Здесь имеется четыре входных переменных и одна выходная. Выходная переменная — номинальная с тремя воз- можными значениями: Iris = {Setosa, Versicol, Virginic}. Формирование уменьшенного набора данных Данные про ирисы содержа 150 наблюдений - это довольно мно- го, и сеть будет обучаться медленно. Для учебных целей давайте сократим объем данных до 60 наблюдений. При этом мы заодно познакомимся с некоторыми возможностями Редактора данных - Data Set Editor. |
|
|
