Neuroproject.ru / Главная страница
   Главная / Каталог программ


 

О компании
Програмные продукты
Услуги
Обучение
Материалы
Форум
     НейроПрактикум   

   NeuroShell 2       GeneHunter       NeuroShell Predictor       NeuroShell Classifier       NeuroShell runtime server

   Deductor
 
NeuroShell Classifier
Программный продукт для решения задач классификации

   Описание программного продукта

    Обзор возможностей
    Расширенные возможности
    Технические характеристики

Расширенные возможности

Пункт Settings (Установки) основного меню Options дает Вам возможность изменить установки целого ряда параметров программы, установленных по умолчанию.

  NeuroShell Classifier program

Вкладка Advanced Neural
Параметр Maximum number of hidden neurons (Максимальное количество "скрытых" нейронов) позволяет Вам установить верхнюю границу количества нейронов в скрытом слое, которая не будет превзойдена при подборе оптимальной архитектуры нейронной сети в процессе тренировки. Вы можете устанавливать количество скрытых нейронов в диапазоне от 0 до 150, введя выбранное число (только целое) в окно редактирования. Если Вы хотите, чтобы Ваша модель представляла собой нечто вроде линейного регрессионного анализа, установите количество скрытых нейронов равным 0. Чем меньше Вы установите нейронов в скрытом слое, тем ближе модель будет к линейному регрессионному анализу. С другой стороны, малое количество скрытых нейронов сокращает длительность процесса тренировки. Мы считаем, что 80 нейронов в скрытом слое является правильным в большинстве случаев, поэтому это значение установлено по умолчанию. Вы можете поэкспериментировать с большим количеством скрытых нейронов, вплоть до 150, однако при этом есть риск перетренировать модель, т.е. получить модель, которая просто выучила все данные и потеряла обобщающие свойства.

  NeuroShell Classifier program

Вкладка Advanced Genetic
Параметр Maximum number of generations (Максимальное количество поколений) позволяет изменить критерий остановки тренировки в режиме генетического обучения, указав максимально допустимое количество поколений, не приводящих к улучшению модели. Количество поколений можно устанавливать в пределах от 10 до 1000 (только целые числа), введя выбранное число в окно редактирования. Чем меньше Вы установите количество поколений, тем меньше будет время обучения. Значение, установленное по умолчанию, равно 100. Вполне вероятно, что Вам захочется уменьшить это число, если при тренировке нескольких похожих моделей Вы заметите, что лучшая модель уже достигается к моменту, когда улучшения не происходит, скажем, после 20 поколений.

Параметр Goal of the Genetic optimization (Цель генетической оптимизации) позволяет указать различные цели генетической оптимизации при генетической стратегии тренировки. Вы можете :

  • Минимизировать полное количество ошибочных классификаций
  • Минимизировать средний процент ошибочных классификаций по всем категориям
  • Максимизировать целевую функцию в соответствии с Матрицей Коэфиициентов Целевой Функции (Fitness Coefficients Matrix), определенной пользователем (см. рисунок).

Если Вы выбрали Minimize total number of incorrect classifications (Минимизация полного количества ошибочных классификаций), то NeuroShell Classifier будет стремиться снизить количество ошибочных классификаций независимо от того, в какой категории они происходят.

В режиме Minimize average percent of incorrect classifications over all categories (Минимизация среднего процента ошибочных классификаций по всем категориям) NeuroShell Classifier будет следить за тем, чтобы снижение полного количества ошибочных классификаций достигалось не вследствие получения всех правильных ответов в одной категории за счет роста ошибок в других категориях. Он будет стремиться снижать количество неправильных ответов одновременно во всех категориях.

Если выбран режим Maximize custom fitness function built with the user-defined Fitness Coefficients matrix (Максимизация целевой функции в соответствии с Матрицей Коэффициентов Целевой Функции) , то NeuroShell Classifier попытается обойти затруднения, связанные с подавляющим превосходством количества примеров в одном классе по сравнению с другими. Зачастую в такой ситуации алгоритм просто сваливает все примеры в преобладающую категорию, в то время как использование Матрицы Коэффициентов позволяет управлять процессом обучения, указав, в каих категорях наиболее важно получать правильные ответы.

  NeuroShell Classifier program

Например, пусть мы имеем три категории, A, B, и C. В этом случае матрица будет состоять из девяти элементов в таблице 3х3. В каждой клетке таблицы Вы можете задать коэффициент, который будет использован генетическим алгоритмом для расчета целевой функции. Этот коэффициент показывает, какое воздействие на значение целевой функции оказывает правильная или ошибочная классификация, определяемая положением данной клетки в таблице. Этот коэффициент будет умножен на количество случаев классификации, соответствующих данной клетке при предъявлении классификатору всего тренировочного набора данных. Чем больше положительные значения коэффициента, тем в большей степени происходит улучшение целевой функции, и наоборот, большим отрицательным значениям соответствует ухудшение целевой функции.

  NeuroShell Classifier program

Рассмотрим в качестве примера классификацию пациентов с доброкачественными и злокачественными опухолями. Пусть Матрица Коэффициентов Целевой Функции выглядит следующим образом (см рис слева). В этом случае генетический алгоритм в равной мере поощряет правильную классификацию в оба класса, сильно "наказывает" за ошибочную классификацию злокачественной опухоли как доброкачественной и лишь слегка наказывает за классификацию доброкачественной опухоли как злокачественной.

  NeuroShell Classifier program

Теперь рассмотрим пример с тремя классами A, B и C. Пусть Матрица Коэффициентов имеет вид как на рисунке слева. В данном примере пользователь в наибольшей степени заинтересован в том, чтобы классы A и B были классифицированы правильно. Кроме того, пользователь заинтересован в снижении количества ошибочных классификаций примеров класса C как класс А и наоборот, примеров из класса А как класс С. Другие ошибки классификатора его волнуют в гораздо меньшей степени.


    Обзор возможностей
    Расширенные возможности
    Технические характеристики

     НейроПрактикум       NeuroShell 2       GeneHunter       NeuroShell Predictor       NeuroShell Classifier       NeuroShell runtime server

   Deductor


Rambler's Top100 Rambler's Top100