Ćw. 1. Neuron jako klasyfikator
Część obliczeniowa:
W ćwiczeniu tym będzie wykorzystany neuron do klasyfikacji samochodów. Neuron ”potrafi” ocenić dwie cechy samochodu: czy jest on nowy i czy jest ładny. Taki neuron będzie miał dwa wejścia i jedno wyjście.
1 wejście x1 – wiek samochodu
2 wejście x2 – wygląd samochodu
Znaczenie poszczególnych cech jest odzwierciedlone przez odpowiednie wagi przypisane wejściom neuronu.
Zakładamy, że wagi neuronów są w przedziale <-3; 3>.
Wagi neuronów to preferencje komisów wynikające m.in. stąd, że klienci danego komisu szukają w nim specyficznych aut. Np. komis sprzedawał do tej pory głównie samochody bardzo stare, przy czym analiza sprzedaży nie wykazała wpływu wyglądu na popyt auta w tym komisie. Komis ten jest reprezentowany przez neuron o wagach w1 =3, w2 = 0.
Przykładowe wartości wag i "charakterystyka" komisu, którego one dotyczą:
WAGA w1 I wejścia "NOWY"
WAGA w2 II wejścia "ŁADNY"
Co to za neuron? Preferencje komisu
3
1
Sprzedają się tu bardzo nowe samochody; ich wygląd mało się liczy.
-1
Prawie wszystko jedno, ale komis „woli” nowe i ładne...
-3
Samochód musi być ładny i stary, wtedy się tu sprzeda.
2
Lubi nowe i tylko piękne auta.
Sygnały wejściowe neuronu
Informacje podawane na wejście neuronu (sygnały wejściowe) będą "mówiły" neuronowi o tym jaki samochód ”właśnie przejeżdża obok” - neuron wyrazi w odpowiedzi swoją o nim opinię. Zakładamy, że wartości sygnałów wejściowych znajdują się w przedziale <-5; 5>
Wartości na wejściach będą oznaczały, że samochód jest: brzydki i stary (-4, -5), taki sobie (-1, 1), lub nowy i ładny (4, 5). Możliwe są oczywiście wartości pośrednie, np. wartość 3 na wejściu odpowiadającym urodzie samochodu oznacza, iż auto jest ładne, ale nie rewelacyjne. Podobnie z wiekiem: jeśli za 5 przyjmiemy samochód najwyżej dwuletni, a za -5 auto z lat dwudziestych, to -2 będzie oznaczało lata pięćdziesiąte.
Duża dodatnia wartość na wyjściu oznacza ”entuzjazm”, duża (co do wartości bezwzględnej) wartość ujemna – ”dezaprobatę”, wartość bliska zeru – ”obojętność”.
Do jakiego komisu skierować samochód, aby były największe szanse jego sprzedaży?
Ustalenie tego jest celem tego ćwiczenia.
To, co neuron "wie", zapisane jest w wagach jego wejść. W naszym przypadku jest w nich zapisany wzorzec preferowanego samochodu. Podobnie jest w przypadku bardziej skomplikowanej sieci - cała jej wiedza mieści się właśnie w wagach.
Opis zadania do wykonania w Excel-u:
Mamy 4 komisy samochodowe (ich preferencje opisane przez 4 neurony z różną konfiguracją wag), które sprzedają samochody. Ustalić jakie samochody sprzedają się najlepiej w poszczególnych komisach. Czy wtedy gdy wejścia są równe wagom odpowiednich wejść neuronu? Uzasadnić odpowiedź.
Czynności do wykonania:
1. Utworzyć 20 różnych charakterystyk samochodów (losowo) i sprawdzić, do którego komisu powinny zostać one skierowane, tak aby szansa ich sprzedaży była jak największa (uwzględniając preferencje komisów zapisane w wagach), klasyfikacja na podstawie wartości wyjść poszczególnych neuronów.
2. Ustalenie samochodów najbardziej „preferowanych” przez poszczególne komisy (jaka jest najwyższa możliwa ocena w danym komisie?).
3. Które komisy są częściej wybierane i dlaczego? Czy są komisy, do których nie trafi żaden samochód? Odpowiedź uzasadnić.
4. Dla swojego zestawu wag przeprowadzić analizę preferencji komisów, dokładnie przedstawiając jakie samochody trafią do poszczególnych komisów. Przedstawić wykres w przestrzeni x1 i x2 w przedziale <-5;5>, zaznaczając obszary preferowane przez komisy 1, 2 i 3.
5. Wnioski.
Wstęp teoretyczny:
Opis zastosowania SN określonego w danym zestawie.
Zestawy z konfiguracją komisów do wyboru:
Zestaw
Komis 1
Komis 2
Komis 3
Komis 4
Część teoretyczna
w1
w2
-2
Problem komiwojażera
Daktyloskopia
Prognozowanie rynków finansowych
4
Bioinformatyka
5
Diagnostyka uszkodzeń samochodów
6
0
Rozpoznawanie obrazów
xyzgeo