История страницы

В основе узла «Нейронная сеть» лежит математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей. В Узел «Нейронная сеть» позволяет строить нейросеть типа MLP (multilayer perceptron, многослойный перцептрон), в которой входной сигнал преобразуется в выходной, проходя последовательно через скрытые слои.

Искусственная нейронная сеть представляет собой сложную дифференцируемую функцию, которая в процессе обучения способна выявлять сложные зависимости между входными и выходными данными , и выполнять обобщение.Нейронная сеть состоит из образующих слои нейронов: слой входных данных,

Архитектура нейронной сети

Нейрон – базовый элемент для построения искусственной нейронной сети (далее просто нейронной сети). Представляет собой вычислительный элемент, который имеет несколько входов и один выход. Каждый вход имеет некоторый вес, на который умножается поступившее на данный вход значение. Далее в нейроне происходит суммирование взвешенных входных данных, и полученная сумма преобразуется с помощью функции активации в значение, которое и будет являться выходом нейрона.

В многослойных сетях нейроны сгруппированы в слои, причем каждый нейрон предыдущего слоя связан со всеми нейронами следующего слоя, а внутри слоев связь между нейронами отсутствует.

Первый слой сети называется входным: его нейроны принимают элементы вектора признаков и передают их нейронам следующего слоя без какой-либо обработки.

Далее располагаются один или несколько скрытых слоев и слой выходных данных. Каждый нейрон связан с другими нейронами с определенным весом и пороговым значением. Если вывод какого-либо нейрона превышает пороговое значение, то этот нейрон активируется и отправляет данные на следующий уровень сети. В противном случае данные на следующий уровень сети не передаются.Список параметров узла (число скрытых слоев и количество нейронов в них задается параметром Количество нейронов в скрытом слое, подробнее в таблице с описанием параметров ниже).Каждый нейронв скрытом слое преобразует значения из предыдущего слоя с взвешенным линейным суммированием функцией активации, которая порождает более информативные признаковые описания, преобразую данные нелинейным образом (функция активации для скрытых слоев задается параметром Функция активации).

Последний слой – выходной, получает значения из последнего скрытого слоя и преобразует их в выходные значения сети исходя из решаемой задачи.

Обучение нейронной сети

Обучение нейронной сети является итерационным процессом (задается параметром Количество итераций), которое заключается в нахождении параметров модели (весов и смещений). На каждой итерации происходит два прохода сети:

1. Настройка нейронной сети начинается с Прямого распространения.  Данные (задается параметром Количество наблюдений для одной итерации) подаются на вход сети, через все слои распространяются в направлении выходов, в ходе чего случайным образом генерируются значения весовых коэффициентов и смещений модели. Таким образом, формируются выходные значения. Далее фактические выходные значения оцениваются относительно ожидаемых выходных значений (целевых значений, target) с помощью функции потерь (задается параметрами Метрика для ранней остановки (регрессия) или Метрика для ранней остановки (классификация) в зависимости от решаемой задачи).
2. Обратное распространение ошибки (Backward propagation) направлено на минимизацию функции потерь путем корректировки параметров нейронной сети (весов и смещений нейронов). Скорректировать эти параметры позволяют методы оптимизации на основе градиентного спуска (задается параметром Метод оптимизации).

Процесс оптимизации будет выполняться до тех пор, пока не будет достигнут критерий остановки (задается параметрами Ранняя остановка, Погрешность оптимизации и Количество итераций).

Список параметров узла

Список параметров узла представлен в таблице ниже.

Результаты выполнения узла

...

Узел «Нейронная сеть» имеет разные результаты в зависимости от решаемой задачи.

Раскрыть
title Результаты бинарной классификации представлены следующими объектами:
График ROC. Scroll Title Image Modified График Lift. Scroll Title Image Modified График Cumulative Lift. Scroll Title Image Modified График Gain. Scroll Title Image Modified График Cumulative Gain. Scroll Title Image Modified График потери точности. Scroll Title Image Modified Таблица с метриками качества модели. Scroll Title Image Modified Таблица с метриками качества модели задачи классификации. Scroll Title Image Modified

Раскрыть
title Результаты многоклассовой классификации представлены следующими объектами:
График потери точности. Scroll Title Image Modified Таблица с метриками качества модели. Scroll Title Image Modified Таблица с метриками качества модели задачи классификации. Scroll Title Image Modified

Раскрыть
title Результаты регрессии представлены следующими объектами:
Тепловые карты для обучающей, валидационной и тестовой выборок. Scroll Title Image Modified График потери точности. Scroll Title Image Modified Таблица с метриками качества модели. Scroll Title Image Modified Таблицы с метриками качества в разбиениях обучающей и валидационной выборках. Scroll Title Image Modified