NeuroShell Сlassifier версия 2.0

Расширенные возможности

Пункт Settings (Установки) основного меню Options дает Вам возможность изменить установки целого ряда параметров программы, установленных по умолчанию.

Вкладка Advanced Neural

Maximum number of hidden neurons (Максимальное количество "скрытых" нейронов): Позволяет Вам установить верхнюю границу количества нейронов в скрытом слое, которая не будет превзойдена при подборе оптимальной архитектуры нейронной сети в процессе тренировки. Вы можете устанавливать количество скрытых нейронов в диапазоне от 0 до 150, введя выбранное число (только целое) в окно редактирования. Если Вы хотите, чтобы Ваша модель представляла собой нечто вроде линейного регрессионного анализа, установите количество скрытых нейронов равным 0. Чем меньше Вы установите нейронов в скрытом слое, тем ближе модель будет к линейному регрессионному анализу. С другой стороны, малое количество скрытых нейронов сокращает длительность процесса тренировки. Мы считаем, что 80 нейронов в скрытом слое является правильным в большинстве случаев, поэтому это значение установлено по умолчанию. Вы можете поэкспериментировать с большим количеством скрытых нейронов, вплоть до 150, однако при этом есть риск перетренировать модель, т.е. получить модель, которая просто выучила все данные и потеряла обобщающие свойства.

Вкладка Advanced Genetic

Maximum number of generations: Позволяет Вам изменить критерий остановки тренировки в режиме генетического обучения, указав максимально допустимое количество поколений, не приводящих к улучшению модели. Количество поколений можно устанавливать в пределах от 10 до 1000 (только целые числа), введя выбранное число в окно редактирования. Чем меньше Вы установите количество поколений, тем меньше будет время обучения. Значение, установленное по умолчанию, равно 100. Вполне вероятно, что Вам захочется уменьшить это число, если при тренировке нескольких похожих моделей Вы заметите, что лучшая модель уже достигается к моменту, когда улучшения не происходит, скажем, после 20 поколений.

Goal of the Genetic optimization (Цель генетической оптимизации): При генетической стратегии тренировки Вы можете указать различные цели генетической оптимизации:

• Минимизировать полное количество ошибочных классификаций
• Минимизировать средний процент ошибочных классификаций по всем категориям
• Максимизировать целевую функцию в соответствии с Матрицей Коэфиициентов Целевой Функции (Fitness Coefficients Matrix), определенной пользователем (см. рисунок).

Если Вы выбрали Minimize total number of incorrect classifications (Минимизация полного количества ошибочных классификаций), то Classifier будет стремиться снизить количество ошибочных классификаций независимо от того, в какой категории они происходят.

В режиме Minimize average percent of incorrect classifications over all categories (Минимизация среднего процента ошибочных классификаций по всем категориям) Classifier будет следить за тем, чтобы снижение полного количества ошибочных классификаций достигалось не вследствие получения всех правильных ответов в одной категории за счет роста ошибок в других категориях. Он будет стремиться снижать количество неправильных ответов одновременно во всех категориях.

Если выбран режим Maximize custom fitness function built with the user-defined Fitness Coefficients matrix (Максимизация целевой функции в соответствии с Матрицей Коэффициентов Целевой Функции , то Classifier попытается обойти затруднения, связанные с подавляющим превосходством количества примеров в одном классе по сравнению с другими. Зачастую в такой ситуации алгоритм просто сваливает все примеры в преобладающую категорию, в то время как использование Матрицы Коэффициентов позволяет управлять процессом обучения, указав, в каих категорях наиболее важно получать правильные ответы.

Например, пусть мы имеем три категории, A, B, и C. В этом случае матрица будет состоять из девяти элементов в таблице 3х3.

В каждой клетке таблицы Вы можете задать коэффициент, который будет использован генетическим алгоритмом для расчета целевой функции. Этот коэффициент показывает, какое воздействие на значение целевой функции оказывает правильная или ошибочная классификация, определяемая положением данной клетки в таблице. Этот коэффициент будет умножен на количество случаев классификации, соответствующих данной клетке при предъявлении классификатору всего тренировочного набора данных. Чем больше положительные значения коэффициента, тем в большей степени происходит улучшение целевой функции, и наоборот, большим отрицательным значениям соответствует ухудшение целевой функции.

Рассмотрим в качестве примера классификацию пациентов с доброкачественными и злокачественными опухолями. Пусть Матрица Коэффициетов Целевой Функции выглядит следующим образом:

В этом случае генетический алгоритм в равной мере поощряет правильную классификацию в оба класса, сильно "наказывает" за ошибочную классификацию злокачественной опухоли как доброкачественной и лишь слегка наказывает за классификацию доброкачественной опухоли как злокачественной.

Теперь рассмотрим пример с тремя классами A, B и C. Пусть Матрица Коэффициентов имеет вид:

В данном примере пользователь в наибольшей степени заинтересован в том, чтобы классы A и B были классифицированы правильно. Кроме того, пользователь заинтересован в снижении количества ошибочных классификаций примеров класса C как класс А и наоборот, примеров из класса А как класс С. Другие ошибки классификатора его волнуют в гораздо меньшей степени.