атрибут «створює» два вхідних нейрона: один нейрон для відсутнього стану і один нейрон для значення самого безперервного атрибута. Вхідні нейрони забезпечують входи для одного або декількох прихованих нейронів.
Вихідні нейрони являють значення прогнозованих атрибутів для моделі інтелектуального аналізу даних. Дискретний прогнозований атрибут, що має більш двох станів, «створює» один вихідний нейрон для кожного стану і один вихідний нейрон для відсутнього або існуючого стану. Безперервні прогнозовані стовпці «створюють» два вихідних нейрона: один нейрон для відсутнього або існуючого стану і один нейрон для значення самого безперервного стовпця.
Нейрон отримує входи від інших нейронів або з інших даних, залежно від того, в якому шарі мережі він знаходиться. Вхідний нейрон отримує входи від вихідних даних. Приховані нейрони і вихідні нейрони отримують входи з виходу інших нейронів нейронної мережі. Входи встановлюють зв'язки між нейронами, і ці зв'язки є шляхом, по якому виробляється аналіз для конкретного набору варіантів.
Кожному входу присвоєно значення, іменоване вагою, яке описує релевантність чи важливість конкретного входу для прихованого або вихідного нейрона. Значення ваги можуть бути негативними; це означає, що вхід може пригнічувати, а не активувати конкретний нейрон. Щоб виділити важливість входу для конкретного нейрона, значення входу множиться на вагу. У разі негативних ваг множення значення на вагу служить для зменшення важливості входу. Схематично це представлено на малюнку 23, де - вхід, - відповідний йому вагу.
Рис. 23 Формальне представлення нейрона
Кожному нейрону сопоставлена ??проста нелінійна функція, звана функцією активації, яка описує релевантність чи важливість певного нейрона для цього шару нейронної мережі. Як функції активації в алгоритмі Microsoft Neural Network криті нейрони використовують функцію гіперболічного тангенса (tanh), а вихідні нейрони - сигмоїдальну (логістичну) функцію. Обидві функції є нелінійними і безперервними, що дозволяють нейронної мережі моделювати нелінійні зв'язки між вхідними та вихідними нейронами.
(29)
(30)
Навчання моделі інтелектуального аналізу даних проводиться за наступною схемою. Алгоритм спочатку оцінює навчальні дані і резервує певний відсоток з них для використання при визначенні точності мережі.
Потім алгоритм визначає кількість і складність мереж, що включаються в модель інтелектуального аналізу даних. Визначається число нейронів у кожному шарі. Процес навчання будується за наступною схемою:
. На початковій стадії випадковим чином присвоюються значення всім вагам всіх входів в мережі.
. Для кожного навчального варіанта обчислюються виходи.
. Обчислюються помилки виходів. В якості функції помилки може використовуватися квадрат залишку (квадрат різниці між спрогнозованим і фактичним значенням).
Кроки 2, 3 повторюються для всіх варіантів, використовуваних як зразків. Після цього, ваги в мережі оновлюються таким чином, щоб мінімізує?? вать помилки.
У процесі навчання може виконуватися декілька ітерацій. Після припинення росту точності моделі навчання завершується.
. 4.3.9 Алгоритм логічної регресії
Логістична регресія є відомим статистичним методом для визначення впливу декількох чинників на логічну пару результатів. Наприклад, завдання може бути наступною.
Припустимо, що прогнозований стовпець містить тільки два стани, і необхідно провести регресійний аналіз, зіставляючи вхідні стовпці з імовірністю того, що прогнозований стовпець міститиме конкретний стан. Результати, отримані методами лінійної та логістичної регресії, представлені на малюнку 24a) і 24b) відповідно. Лінійна регресія не обмежує значення функції діапазоном від 0 до 1, незважаючи на те, що вони повинні бути мінімальним і максимальним значеннями цього шпальти. Крива, формована алгоритмом логістичної регресії, в цьому випадку більш точно описує досліджувану характеристику.
Рис. 24. Порівняння результатів, отриманих методами лінійної «А» та логістичної регресії «В»
У реалізації Майкрософт, для моделювання зв'язків між вхідними і вихідними атрибутами застосовується видозмінена нейронна мережа, в якій відсутній прихований шар. Вимірюється внесок кожного вхідного атрибута, і у закінченій моделі різні входи забезпечуються ваговими коефіцієнтами. Назва «логістична регресія» відображає той факт, що крива даних стискається шляхом застосування логістичного перетворення, щоб знизити ефект екстремальних значень.
1.5 Аналіз результатів глави 1 та уточнення постановки задачі
У даній главі виконано огляд технологій бізнес-аналітики, ...
