Сводка действий при построении классификатора
В построении классификатора на основе нейронной сети можно выделить следующие этапы:
1. Данные:
1.1. Составить базу данных из примеров, характерных для поставленной задачи.
1.2.Разбить всю совокупность данных на два множества: обучающее и тестовое.
2. Предварительная обработка:
2.1. Выбрать систему признаков, характерных для данной задачи, и преобравать данные соответствующим образом для подачи на вход сети (нормировка, стандартизация и т.д.). В результате желательно получить линейно отделимое представление множества образцов.
2.2. Выбрать систему кодирования выходного значения или значений («бабушкино» кодирование, 2-на-2 и др.).
3. Конструирование, обучение и оценка качества сети:
3.1. Выбрать топологию сети: число элементов и структуру связей (входы, слои, выходы).
3.2. Выбрать функцию активации, которая будет использоваться.
3.3. Выбрать подходящий алгоритм обучения сети.
3.4. Оценить качество работы сети (по подтверждающему множеству или по информационному критерию) в зависимости от ее сложности с целью оптимизировать архитектуру (уменьшение весов, прореживание и т.д.).
3.5. Остановиться на варианте сети с наилучшей способностью к «обобщению» и оценить качество работы по тестовому множеству.
4. Использование и диагностика:
4.1 Выяснить степень влияния различных факторов на принимаемое решение (эвристики).
4.2. Убедиться, что доля случаев неправильной классификации достаточно мала.
4.3. При необходимости вернуться к шагу 2, изменив способ представления образцов или предварительно «почистив» базу данных.
4.4. Приступить к практическому использованию сети.
Для того чтобы сконструировать хороший классификатор, очень важно иметь в своем распоряжении высококачественные данные. Никакой метод построения классификаторов, будь то в области распознавания образов, машинного обучения или многомерной статистики, никогда не выдаст классификатор нужного качества, если имеющийся набор примеров не будет достаточно богатым и представительным для той популяции, с которой придется работать в данной модели.
2.1.5. Пример: ирисы Фишера
Рассмотрим задачу Фишера об ирисах распознавания образов, которую часто берут за образец при проверке методов классификации, вкратце перечислим результаты, полученные при помощи классических подходов, а затем сравним их с тем, что дают нейронные сети.
Дата добавления: 2015-09-18; просмотров: 697;