| ОТЧЕТ Лабораторная работа № 1 по дисциплине «Системы искусственного интеллекта» на тему: «Применение нейронных сетей для решения задач классификации, аппроксимации функции и прогнозирования с помощью аналитического пакета Deductor» | |
| Автор: student | Категория: Технические науки / Информатика и программирование | Просмотров: 2965 | Комментирии: 0 | 29-12-2013 17:43 |
СКАЧАТЬ:
ОТЧЕТ
Лабораторная работа № 1
по дисциплине
«Системы искусственного интеллекта»
на тему:
«Применение нейронных сетей
для решения задач классификации, аппроксимации функции и прогнозирования с помощью аналитического пакета Deductor»
1. Цель работы
Целью работы является исследование процедуры работы с аналитическим пакетом Deductor при решении задач классификации, аппроксимации функции и прогнозирования.
2. Порядок выполнения работы
2.1. Решение задачи «Выдать ли кредит клиенту»
Рис. 1. Импорт данных
2. Настройка значений столбцов и установка входных и выходных значений
Рис. 3. Настройка структуры нейронной сети
Рис. 4. Настройка процесса обучения нейронной сети
Рис. 5. Результат обучения нейронной сети (число распознанных ошибок близко к 100 %)
Рис. 6. Задаем параметры отображения
Рис. 7. Граф нейронной сети
Рис. 8. Окно визуализатора
Вывод: Были решены задачи классификации,т.е. определение принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам.
2.2. Решение задачи аппроксимации функции.
В качестве данных используем файл (*.txt) с обучающей выборкой.
X Y F(X,Y)
1 -1 -1 8
2 -0,8 -1 8,129
3 -1 -0,8 6,48
4 -0,6 -0,5 4,909
5 -0,7 -0,6 5,38
6 -0,4 -0,5 5,2
7 -0,5 -0,3 3,94
8 -0,3 -0,2 3,708
9 -0,2 -0,1 3,342
10 -0,1 0 2,98
11 0 0 3
12 0,1 0 2,98
13 0,1 0,2 2,26
14 0,2 0,3 1,902
15 0,4 0,5 1,206
16 0,6 0,3 1,389
17 0,6 0,6 0,729
18 0,7 0,8 0,34
19 0,9 1 0,0361
20 1 1 0
Рис. 10. Задаем структуру нейронной сети для задачи аппроксимации функции
Рис. 11. Результаты обучения нейронной сети
Рис. 12. Граф нейросети для задачи аппроксимации функции
Рис. 13. Визуализатор с входными значениями вершин графа
0,5 0,5 1,2500 1,0099
0 0 3,0000 2,979
0,1 0,95 0,9950 0,8662
0,3 0,3 1,8900 1,801
-0,9 -1 8,1900 7,978
-0,2 0,9 0,9800 1,3815
0,1 -0,4 4,9100 5,3815
-0,9 -0,3 3,5700 3,6229
0 0,2 2,2800 2,3826
-0,4 0 2,8400 3,0323
Вывод: Решали задачи аппроксимации функции, выяснили что точность аппроксимации можно повысить, увеличив объем обучающей выборки. При Х= 0,5, У = 0,5 (значения вектора 1) имеем F(X, У) = 1,0099 , а точное значение равно 1,25, т. е. ошибка составляет примерно 0,2401 (при заданной ошибке обучения 0,05) и т.д.
2.3 Задача «Прогнозирование результатов выборов»
Рис. 14. Граф нейросети «Выборы»
Вывод
В ходе выполнения лабораторной работы нами были решены задачи прогнозирования. Победил кандидат оппозиционной партии Б. Клинтон.
Общий вывод: В ходе выполнения лабораторной работы нами были решены задачи классификации, аппроксимации функции и прогнозирования. Были обучены нейронные сети, а затем проведены опросы. По всем типам задач получены результаты нейронных сетей и результаты опроса.
ОТЧЕТ
Лабораторная работа № 1
по дисциплине
«Системы искусственного интеллекта»
на тему:
«Применение нейронных сетей
для решения задач классификации, аппроксимации функции и прогнозирования с помощью аналитического пакета Deductor»
1. Цель работы
Целью работы является исследование процедуры работы с аналитическим пакетом Deductor при решении задач классификации, аппроксимации функции и прогнозирования.
2. Порядок выполнения работы
2.1. Решение задачи «Выдать ли кредит клиенту»
Рис. 1. Импорт данных
2. Настройка значений столбцов и установка входных и выходных значений
Рис. 3. Настройка структуры нейронной сети
Рис. 4. Настройка процесса обучения нейронной сети
Рис. 5. Результат обучения нейронной сети (число распознанных ошибок близко к 100 %)
Рис. 6. Задаем параметры отображения
Рис. 7. Граф нейронной сети
Рис. 8. Окно визуализатора
Вывод: Были решены задачи классификации,т.е. определение принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам.
2.2. Решение задачи аппроксимации функции.
В качестве данных используем файл (*.txt) с обучающей выборкой.
X Y F(X,Y)
1 -1 -1 8
2 -0,8 -1 8,129
3 -1 -0,8 6,48
4 -0,6 -0,5 4,909
5 -0,7 -0,6 5,38
6 -0,4 -0,5 5,2
7 -0,5 -0,3 3,94
8 -0,3 -0,2 3,708
9 -0,2 -0,1 3,342
10 -0,1 0 2,98
11 0 0 3
12 0,1 0 2,98
13 0,1 0,2 2,26
14 0,2 0,3 1,902
15 0,4 0,5 1,206
16 0,6 0,3 1,389
17 0,6 0,6 0,729
18 0,7 0,8 0,34
19 0,9 1 0,0361
20 1 1 0
Рис. 10. Задаем структуру нейронной сети для задачи аппроксимации функции
Рис. 11. Результаты обучения нейронной сети
Рис. 12. Граф нейросети для задачи аппроксимации функции
Рис. 13. Визуализатор с входными значениями вершин графа
0,5 0,5 1,2500 1,0099
0 0 3,0000 2,979
0,1 0,95 0,9950 0,8662
0,3 0,3 1,8900 1,801
-0,9 -1 8,1900 7,978
-0,2 0,9 0,9800 1,3815
0,1 -0,4 4,9100 5,3815
-0,9 -0,3 3,5700 3,6229
0 0,2 2,2800 2,3826
-0,4 0 2,8400 3,0323
Вывод: Решали задачи аппроксимации функции, выяснили что точность аппроксимации можно повысить, увеличив объем обучающей выборки. При Х= 0,5, У = 0,5 (значения вектора 1) имеем F(X, У) = 1,0099 , а точное значение равно 1,25, т. е. ошибка составляет примерно 0,2401 (при заданной ошибке обучения 0,05) и т.д.
2.3 Задача «Прогнозирование результатов выборов»
Рис. 14. Граф нейросети «Выборы»
Вывод
В ходе выполнения лабораторной работы нами были решены задачи прогнозирования. Победил кандидат оппозиционной партии Б. Клинтон.
Общий вывод: В ходе выполнения лабораторной работы нами были решены задачи классификации, аппроксимации функции и прогнозирования. Были обучены нейронные сети, а затем проведены опросы. По всем типам задач получены результаты нейронных сетей и результаты опроса.