Ćw. 1. Neuron jako klasyfikator

Wstęp teoretyczny:

Opis różnych zastosowań sieci neuronowych. Jedno z zastosowań opisać dokładnie.

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 - wiek samochodu

2 wejście - 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 (3, 0).

Przykładowe wartości wag i "charakterystyka" komisu, którego one dotyczą:

WAGA I wejścia "NOWY"	WAGA II wejścia "ŁADNY"	Co to za neuron? Preferencje komisu
3	1	Lubi nowe samochody; ich wygląd mało się liczy.
1	-1	Prawie wszystko mu jedno, ale woli nowe i ładne...
-5	4	Samochód musi być ładny, ale stary.
4	5	Lubi nowe i piękne auta.
-4	-4	Lubi stare, brzydkie maszyny.

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”.

Jaki w takim przypadku samochód będzie się neuronowi najbardziej "podobał"?

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 idealnego samochodu. Podobnie jest w przypadku bardziej skomplikowanej sieci - cała jej wiedza mieści się właśnie w wagach.

Opis zadania do wykonania w Excel-u:

Mamy 5 komisów samochodowych (5 neuronów 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 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. Wnioski.

1 /2

---