Nöral ağlar. Uzmanlar için sorular. - sayfa 20

 
lasso :
Engelin ne olduğunu özel olarak tanımlayabilmek için hangi verileri veya sonuçları sağlamanız gerekiyor?

Muhtemelen başlamak için

1) ağ yapısı: katman sayısı, nöronlar, ağırlıklar

2) eğitim örneğinin boyutu ve dönem sayısı

3) eğitim sonunda göreceli ağ hatası

4) ağırlık başlatma parametreleri - değerlerin dağılım şekli ve dağılımları.


Şubeyi geri çevirdim, 1 ve 2'yi anladım.

 
alsu :

Muhtemelen başlamak için

1) ağ yapısı: katman sayısı, nöronlar, ağırlıklar

2) eğitim örneğinin boyutu ve dönem sayısı

3) eğitim sonunda göreceli ağ hatası

4) ağırlık başlatma parametreleri - değerlerin dağılım şekli ve dağılımları.


Şubeyi geri çevirdim, 1 ve 2'yi anladım.

3. paragrafa göre, sizi doğru anladıysam ekte.

4. maddeye göre, kılavuzda hiçbir şey bulamıyorum, daha fazla inceleyeceğim, ancak dağılımın değerler aralığında tekdüze olduğunu düşünüyorum, örneğin, [-1;1]

 
lasso :

Ancak test sonuçlarını büyük ölçüde değiştirmeyin! Anlıyor musun?

İşte 1 aylık bir test döneminde yapılan çalışmaların sonuçları:

-9337

+5060

....


Ve bunu eğitim döneminde anlıyorum? HAYRAN?
 
joo :
GA'yı kullanın.


Eh, GA felç sorununa da yabancı değildir.

Bu arada kitaplığınıza ilgiyle baktım. Tartışması olan bir konu yok muydu? Düşüncelerim ve sorularım var...

 
Figar0 :


1) Eh, GA felç sorununa da yabancı değildir.

2) Bu arada kütüphanenize ilgiyle baktım. Tartışması olan bir konu yok muydu? Düşüncelerim ve sorularım var...

1) Uzaylı değil. Ancak bu problem, diğer NN optimizasyonu/eğitimi yöntemleriyle karşılaştırıldığında çok daha az alakalıdır.

2) Spesifik olarak, benim algoritmama göre, tartışma içeren bir başlık yoktu. Burada bazı soruları yanıtladı.

 
Kısa süreli ileri eğitim kursları "Yapay sinir ağları
ve genetik algoritmalar"

Kısa süreli kurslar için başvurular kapandı
"Yapay sinir ağları ve genetik algoritmalar" yeterliliği,
Moskova Ek Eğitim Fakültesi tarafından yürütülen
Devlet Üniversitesi. Nükleer Araştırma Enstitüsü temelinde M.V. Lomonosov
Moskova Devlet Üniversitesi fiziği. Moskova Devlet Üniversitesi derslerinden mezun olanlara devlet sertifikası verilir.
ileri eğitim için örnek.
Dersler haftada iki kez akşam 19-00 arasında yapılacaktır.
25 Şubat 2011 Derslerin Başlangıcı

Daha fazla bilgi için kurs programını görüntüleyin ve
Kurslara şu adresten başvurabilirsiniz:
http://www.neuroproject.ru/kpk.php
 
lasso :

3. paragrafa göre, sizi doğru anladıysam ekte.

4. maddeye göre, kılavuzda hiçbir şey bulamıyorum, daha fazla inceleyeceğim, ancak dağılımın bir dizi değer üzerinde tekdüze olduğunu düşünüyorum, örneğin, [-1;1]

Hmm.

% doğru - eğitim örneğinde mi yoksa test örneğinde mi?

Ve başka bir soru: bir sınıflandırıcı ağ için 1 girişinin bir şekilde oldukça ... yeterli olmadığını düşünmüyor musunuz?

 
Figar0 :

Ve bunu eğitim döneminde anlıyorum? HAYRAN?


1. Evet, bu FANN.

2. Hayır, bunlar aynı EP'de aynı koşullarda eğitilmiş aynı NS'nin OOS sonuçlarıdır.

 
alsu :

Hmm.

% doğru - eğitim örneğinde mi yoksa test örneğinde mi?

Ve başka bir soru: bir sınıflandırıcı ağ için 1 girişinin bir şekilde oldukça ... yeterli olmadığını düşünmüyor musunuz?


)) İlginiz için teşekkür ederim.

%1 doğru - bu test örneğinde. Bu araç bağlamında %57 iyi, %60 çok iyi, %65 veya daha fazlası mükemmel.

2. Neden yeterli değil? Yeterlik. Bu verileri (boyutluluk=1 ile) doğrusal veya görsel yöntemlerle sınıflara ayırabilirsem, neden bunu NN kullanarak kararlı bir şekilde yeniden üretemiyorum?

..................

Şimdi "İstatistik 6" da sunulan eğitim örneklerini (OP) olasılıksal bir sinir ağı (PNN) ile sınıflandırmaya çalıştım.

Düzleştirme faktörü = 0.05'i ampirik olarak aldı.

Sonra tekrar tekrar onu yeniden eğitti. Sonuçlar sabittir ve antrenmandan antrenmana değişmez.

Eğer öyleyse, yeni bir soru ortaya çıkıyor, VNS, FANN ile kullanım için nasıl taşınabilir?

 
VladislavVG :

SVM'lerle ilgili olarak:

Bu yöntem her zaman tek bir ayırma düzlemi bulacaktır....

İyi şanlar ....

Vladislav, önerilen yöntem için teşekkürler.

İşte açıklamadan bir alıntı:

Часто в алгоритмах машинного обучения возникает необходимость классифицировать данные. 
Каждый объект данных представлен как вектор (точка) в p-мерном пространстве (последовательность p чисел). 
Каждая из этих точек принадлежит только одному из двух классов.

Bu, bu yöntem için bir ön koşul mu?

Sonuçta, OP'mde sınıflar çok karışık:

Ve OP'min boyutu 1'e eşit, anladığım kadarıyla bir artıda çalışmıyor:

Стоит отметить, что если исходное пространство имеет достаточно высокую размерность, то можно надеяться, 
что в нём выборка окажется линейно разделимой.


================================================= ==

Bu yöntemi zaten kullanıyorsanız, verilerimi paylaşmayı deneyebilir misiniz?