Внимание!!! Это старая версия нашего сайта, новая версия находится здесь
NeuroShell®
2
Встроенные возможности анализировать работу Ваших сетей
NeuroShell 2 позволяет Вам несколькими
способами проанализировать, насколько хорошо работает Ваша сеть.
Анализ важности входных переменных
Для сетей с обратным распространением ошибки модуль Показатели Важности
вычислит для каждой входной переменной некоторое число. Это число является
грубой мерой важности этой переменной для предсказания выхода сети по отношению
к другим входным переменным той же сети. Подобные показатели важности имеются
также у наших сетей с Генетическим Поиском.
Модуль тренировки сетей МГУА позволяет путем анализа полученной сети
выделить самые существенные входные переменные и менее существенные входные
переменные. Все остальные входные переменные можно считать несущественными
и из дальнейшего расмотрения исключить.
Анализ важности входных переменных позволяет Вам исключить из рассмотрения
наименее существенные из входных переменных, что облегчает задачу тренировки
сети и часто повышает точность предсказаний.
Статистические показатели работы сетей
Когда Вы применяете натренированную сеть с обратным распространением ошибки,
Вы можете вычислить нескольких статистических показателей, включая R
квадрат - коэффициент множественной детерминации, часто используемый
статистический индикатор. Вы можете вычислить также среднюю квадратичную
ошибку, среднюю абсолютную ошибку, минимальную и максимальную абсолютные
ошибки предсказаний сети по сравнению с желаемыми ответами. Помимо этого,
может быть найден линейный коэффициент корреляции r - статистический
показатель силы взаимосвязи между желаемыми и действительными ответами
сети.
Такие же статистические показатели вычисляются для Нейронной Сети с
Общей Регрессией и для полиномиальной сети (сети МГУА).
Для Вероятностных Нейронных Сетей, которые классифицируют данные, вычисляемые
статистические показатели отражают правильность классификации и показывают
количество и долю правильных и ложных классификаций.