Lekcja 7: Sieci neuronowe
Transkrypt
Lekcja 7: Sieci neuronowe
Lekcja 7: Sieci neuronowe - Zastosowanie S. Hoa Nguyen Rysunek 1: Weka GUI Zadanie 1 (Klasykacja gatunków Irisa) W systemie Weka zaprojek- towa¢ sie¢ neuronow¡ umo»liwiaj¡c¡ klasykacj¦ kwiatów Iris. Zbiór danych jest umieszczony w katalogu data Przeprowad¹ uczenie i przetestuj sie¢. Zastosuj model testu 5-krotna walidacja. a) Zaprojektowa¢ dwu-warstwow¡ sie¢ neuronow¡ b) Ustaw wspóªczynnik uczenia na 0.1, 0.25, 0.5, 0.75 i 1 oraz liczba epok na 500. Obserwuj poziom bª¦du i wybieraj optymalny wspóªczynnik uczenia. c) Dobiera¢ optymaln¡ liczb¦ neuronów w warstwie ukrytej. d) Skomentowa¢ otrzymane wyniki Zadanie 2 (Klasykacja wniosków o karty kredytowe) Zaprojektowa¢ sie¢ neuronow¡ umo»liwiaj¡c¡ klasykacj¦ wniosku o kart¦ kredytow¡. wnioskodawców s¡ zapisane w zbiorze danych data/australian.dat. Opisy Zadaniem jest przewidywanie, czy wniosek b¦dzie pozytywnie rozpatrywany? Przeprowad¹ uczenie i przetestuj sie¢. Zastosuj model testu 10-krotna walidacja do werykacji jako±ci modelu. a) Przeprowadzi¢ zbiór danych ucz¡cych i testowych do stosownej postaci w systemie WEKA. b) Ustaw wspóªczynnik uczenia na 0.1, 0.5, 1 oraz liczba epok na 50, 500, 1000. Obserwuj poziom bª¦du i wybieraj optymalny wspóªczynnik uczenia oraz liczb¦ epok. 1 c) Sprawdzaj jako±¢ klasykacji sieci dwu-warstwowej. Dobieraj optymaln¡ liczb¦ neuronów na warstwie ukrytej. d) Porównaj jako±ci sieci z i bez momentum e) Poda¢ dokªadno±¢ klasykacji f ) Obserwuj¡c macierz pomyªek podaj w krórej klasie sie¢ popeªnia najwi¦cej bª¦dów? g) Powtórz kroki a - e dla sieci trzy-warstwow¡ i porównywa¢ jako±¢ klasy- kacji tej sieci z jako±ci¡ sieci dwu-warstwowej. h) Przeprowad¹ wst¦pne przetwarzanie danych. Znormalizowa¢ wszystkie atrybuty poza atrybutem klasy. Przeprowadzi¢ selekcj¦ cech. Utworzy¢ sie¢ dla przetworzonego zbioru tereningowego. Porównywa¢ jako±¢ sieci tworzonych dla danych oryginalnych i danych po przetwarzaniu. Zadanie 3 (Wyznaczenie parzystobitowo±ci) Zaprojektowa¢ sie¢, która potra wyznaczy¢ parzystobitowo±¢ liczb trzybitowych. a) Liczby przedstaw gracznie, po cztery w ka»dej klasie (patrz Rysunek 2) b) Udowodnij, »e sie¢ jedowarstwowa podczas nauki nie potra rozpozna¢ klasy liczb. c) Przygotuj odpowiedni zbiór danych dla systemu Weka. d) W systemie Weka utwórz sie¢ wielowarstwow¡, ucz¡c¡ si¦ metod¡ propogacji wstecznej bª¦du. Znajd¹ optymalne parametry: wspóªczynnik uczenia, liczba epok, liczba warstw, ilo±¢ neuronów na ka»dej warstwie. Rysunek 2: Klasykacja liczb parzystobitowych Zadanie 4 (Rozpoznawanie cyfr r¦cznie pisanych) Zaprojektowa¢ sie¢, która potra rozpoznawa¢ cyferki r¦cznie pisane. Opis zbioru danych jest umieszczony w pliku optdigit.doc w katalogu data/OpticalDigits a) Przeprowadzi¢ zbiór danych ucz¡cych i testowych do stosownej postaci w systemie WEKA. 2 b) Zaprojektowa¢ sie¢ i dobieraj odpowiednie parametry: wspóªczynnik uczenia, liczba epok, uczenie z momentum czy nie c) Sporz¡dzi¢ raport: jako±¢ klasykacji ka»dej z nauczonych sieci. Komentowa¢ otrzymane wyniki. Która sie¢ jest optymalna dla podanego problemu? Weka Home page: http://www.cs.waikato.ac.nz/ml/weka Weka Tutorial: http://www.cs.utexas.edu/users/ml/tutorials/Weka-tut/index.htm 3