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.