9068
.pdfПодготовить обучающую выборку средствами приложения Microsoft Excel и
оформить ее в виде текстового файла с разделителями.
Рекомендации: Чтобы создать набор случайных чисел, нужно использовать функцию Excel СЛЧИС(). Затем случайные числа следует перевести в нужный диа-
пазон и рассчитать значение заданной функции в соседнем столбце.
Провести обучение нескольких нейронных сетей (с различной архитектурой) с
помощью Deductor по алгоритму обратного распространения;
Проверить качество каждой обученной сети с помощью диаграммы рассеяния.
Выбрать наилучшую модель и оценить точность аппроксимации.
Общее задание: f x1 x2 (использовать готовый файл multi.txt)
Индивидуальные задания:
1. f x1 x2 x4 x5 x3
2. |
f |
x |
20Sin(x |
2 |
) 5x |
3 |
|
x4 |
|||||
|
|||||||||||||
|
|
1 |
|
|
|
|
|
|
|
e x5 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
x |
2 |
|
|
|
|
|
|
|
|
3. |
f |
|
1 |
|
2 |
Sin(x4 |
x5 ) |
|
|
||||
|
|
|
|
|
|
||||||||
x3 |
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
4.f x1 x2 x3 x4 x52
5.f 0,5Cos(x1 x2 )2 x3 1x4 2 x5
6.f 5x1 Cos(x2 x3 ) Sin(x4 x25 )
7.f 3Cos(x1 x2 ) 2Sin(x3 ) ln x4 10x52
8.f x12 x22 x32 x42 x52
9.f x1 2Cos(x2 ) x32 x4 Sin(x5 )
111
|
|
x |
x |
2 |
|
|
|
|
|
|
|
|
10. |
f |
1 |
|
2 |
Cos(x4 |
x5 ) |
|
|
||||
|
|
|
|
|
|
|||||||
x3 |
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
11. |
f x |
20Cos(x |
2 |
) 5x |
3 |
|
x4 |
|||||
|
||||||||||||
|
1 |
|
|
|
|
|
|
|
e x5 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
12.f 5x1 Sin(x2 x3 ) Cos(x4 x25 )
13.f x13 x23 x33 x43 x53
Задание 2 по теме «Алгоритм обратного распространения ошибок нейросе-
тевого моделирования»
1)Выполнить полностью 3 цикла прямого и обратного прохода ИНС, исполь-
зуя алгоритм обратного распространения ошибок для входного образца (0,1; 0,9) и целевого выходного значения 0,9 в предположении, что сеть имеет ар-
хитектуру 2-3-1 c весовыми коэффициентами:
для первого слоя:
|
0,1 |
0,1 |
|
|
|
|
|
|
0,2 |
0,1 |
|
|
0,1 |
0,3 |
|
|
|
для второго слоя:
0,2
0,2
0,3
Параметры обучения: 1 и 0,1
2)Для НС типа 3-2-3 на вход подается вектор (1; 0,9; 0,9) для которого целе-
вым выходным вектором является (0,1; 0,9; 0,1).
Пусть выходом элемента В является значение 0,6, а выходом элемента С – зна-
чение 0,8. Функцией активации является сигмоида.
a)Вычислите фактический выходной вектор
b)Вычислите значения ошибок для каждого выходного элемента
c)Вычислите значения ошибок для каждого скрытого элемента
112
Задание 3. Решение задачи классификации и прогнозирования с помощью
нейросетевого моделирования
1.Импортировать данные из файла Риэлтор.txt.
2.В графическом экране отсортировать по убыванию поле Цена.
3.Используя OLAP, определить характеристики 10 самых дорогих квартир.
4.Выполнить предобработку данных с помощью обработчика Парциальная об-
работка (по данным цена – удалить аномалии).
5. Выполнить корреляционный анализ (для определения незначащих факторов):
на входе: все факторы, кроме номера примера; На выходе –цена.
Какие из признаков более значимые, какие – нет?
6.Выполните квантование данных по полю Цена по трем интервалам.
7.Применяя обработчик Замена данных, замените названия интервалов на де-
шевые, средние, дорогие.
8. Построить классификатор на основе нейронной сети для оценки недвижимо-
сти, относящий объекты недвижимости на основе их признаков к одному из трех классов «дорогие, средние, дешевые квартиры.
9. Для оценки качества модели постройте таблицу сопряженности и диаграм-
му «качество классификации».
10. Используя обработчик Нейросеть, постройте несколько моделей прогно-
зирования цены с разной конфигурацией, (поле «номер пример» – информац.,
все – на вход, а цена – на выход). Теперь поле «цена» обязательно должно быть непрерывным.
11.Сколько весовых связей имеет нейронная сеть? Рассчитайте максимально возможное число нейронов скрытого слоя.
12.В ходе проектирования нейросетевой модели выявите оптимальную кон-
фигурацию нейронной сети, используя визуализаторы оценки качества модели.
13.Определить оптимальную структуру нейронной сети с точки зрения ми-
нимизации среднеквадратической ошибки обучения.
113
14.Изучить графические зависимости среднеквадратической ошибки обу-
чения от количества нейронов, используемых в скрытых слоях, и от количества итераций, используемых для обучения.
15. При помощи визуализатора «Что-если» проверьте, как работает построен-
ный нейросетевой классификатор и лучшая нейросеть прогноза цены.
114
Прокопенко Н.Ю.
МАШИННОЕ ОБУЧЕНИЕ
Учебно-методическое пособие по подготовке к лекциям, практическим занятиям
(включая рекомендации по организации самостоятельной работы)
для обучающихся по дисциплине «Машинное обучение» по направлению подготовки 09.03.04 Программная инженерия
профиль 09.03.04 Разработка программно-информационных систем
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. http://www. nngasu.ru, srec@nngasu.ru