NeuroShell Classifier Версия 2.0

Технические характеристики

Требования к компьютеру
IBM® PC или совместимый компьютер с процессором 80486 или выше и
не менее 16 МБ оперативной памяти.

Требования к программному обеспечению
NeuroShell Classifier представляет собой 32-разрядный програмный продукт, работающий в среде Microsoft® Windows™ 95/98 или Windows™ NT. Он не работает под Windows 3.1.

Ограничения
150 входных переменных и одна выходная переменная (с несколькими категориями).
16000 строк данных (количество примеров).

Файлы данных
Текстовые файлы с разделителями в виде запятой, точки с запятой, пробела или знака табуляции. Если Ваши данные находятся в электронной таблице, просто сохраните их в виде  .CSV файла.

Методология
Используется специально разработанный алгоритм  TurboProp™ 2, не основанный на традиционном алгоритме обратного распространения ошибки. Используется также специально разработанный вариант Нейронной Сети с Общей Регрессией.

Скорость
Нейронные сети обучаются очень быстро, как правило, это занимает минуты.
Генетический способ обучения окажется достаточно медленным при больших файлах данных. Этот метод более подходит для данных, содержащих не более 3000 строк.

Уровень обобщения при нейросетевой стратегии обучения
Кнопка Advanced (расширенные возможности) позволяет устанавливать уровень обобщения от 0% (отсуствие обобщения) до 100% (полное обобщение). Значение 50% эквивалентно Enhanced (улучшенному режиму) обобщения. Эта величина устанавливается по умолчанию, когда выбирается режим Enhanced.

Максимальное количество скрытых нейронов
При использовании нейросетевой стратегии обучения Вы можете установить ограничение на максимальное количество нейронов скрытого слоя (вплоть до 150).

Максимальное количество поколений
При использовании генетического способа тренировки Вы можете установить критерий остановки алгоритма, выбрав максимальное количество поколений (от 10 до 1000), не приводящих к улучшению. Это дает возможность управлять длительностью процесса обучения.

Расширенные возможности генетического способа
В данной версии NeuroShell Сlassifier позволяет выбирать различные цели генетической оптимизации Вашей модели. Целью может быть:

• Минимизация полного числа неправильных классификаций
• Минимизация среднего процента неправильных классификаций
• Максимизация корреляции
• Минимизация среднего квадрата ошибки (Mean Squared Error)
• Минимизация корня квадратного из среднего квадрата ошибки, т.е. среднеквадратичной ошибки (RMSE - Root Mean Squared Error)
• Максимизация с заданной точностью параметра, определенного пользователем

Расширенные возможности статистической обработки и графиков
Целый ряд статистических характеристик может быть представлен графически, что позволяет Вам оценить, насколько хорошо обучена Ваша модель и насколько хорошо она осуществляет классификацию. В их число входят:

• Количество правильных и ошибочных классификаций.
• Графики действительных и предсказанных значений.
• Кривые рабочих характеристик (ROC curves).
• Матрица совпадений (agreement matrix); иногда ее также называют матрицей несоответствия (confusion matrix) или таблицей сопряженности (contingency table).