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.
SYGNAŁY WEJŚCIOWE
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 |
-1 |
Prawie wszystko jedno, ale komis „woli” nowe i ładne... |
-3 |
3 |
Samochód musi być ładny i stary, wtedy się tu sprzeda. |
2 |
3 |
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.
Jak wyglądać będzie w tym przypadku odpowiedź neuronu?
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 m.in. 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 3 komisy samochodowe (ich preferencje opisane przez 3 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 25 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 |
Część teoretyczna |
|||
|
w1 |
w2 |
w1 |
w2 |
w1 |
w2 |
|
1 |
1 |
2 |
2 |
-2 |
-1 |
2 |
OCR |
2 |
2 |
1 |
1 |
-3 |
-1 |
2 |
Przewidywanie notowań giełdowych |
3 |
3 |
1 |
-1 |
3 |
1 |
-1 |
Wykrywanie chorób nowotworowych |
4 |
-1 |
2 |
3 |
-1 |
2 |
-2 |
Rozpoznawanie grupy krwi |
5 |
-2 |
3 |
1 |
-2 |
3 |
-3 |
Analiza EKG |
6 |
-3 |
-1 |
2 |
-3 |
-1 |
0 |
Predykcja szeregów czasowych |
7 |
0 |
-2 |
3 |
1 |
-2 |
1 |
Rozpoznawanie mowy |
8 |
1 |
-3 |
-1 |
1 |
-3 |
2 |
Poszukiwanie złóż surowców maturalnych |
9 |
2 |
0 |
-2 |
2 |
1 |
3 |
Problem komiwojażera |
10 |
3 |
1 |
-3 |
-1 |
2 |
-3 |
Daktyloskopia |
11 |
-1 |
2 |
0 |
-2 |
3 |
0 |
Prognozowanie rynków finansowych |
12 |
-2 |
3 |
1 |
-3 |
-1 |
1 |
Bioinformatyka |
13 |
-3 |
-1 |
2 |
0 |
-2 |
2 |
Diagnostyka uszkodzeń samochodów |
14 |
0 |
-2 |
3 |
3 |
1 |
-3 |
Rozpoznawanie obrazów |
15 |
1 |
-3 |
-2 |
-1 |
2 |
0 |
Prognoza pogody. |
16 |
1 |
0 |
1 |
-2 |
3 |
1 |
Działalność marketingowa (reklama, promocja) |
Opis programu, który można napisać zamiast sprawozdania
Wygenerowanie określonej przez użytkownika liczby komisów od 2-5 (z możliwością określenia preferencji komisów „wag” ). Automatyczne przydzielanie auta do komisu po wpisaniu x1 i x2.
Wygenerowanie samochodów o wszystkich możliwych x1 i x2 z przedziału <-5,5> (jest ich łącznie 121) i przydzielenie ich do komisów.
2 /2