19. fejezet - Osztályozási eljárások 4.

Neurális hálók és támaszvektor-gépek

Tartalom

Lineárisan szeparálható bináris osztályozási probléma megoldása ANN-nel és SVM-mel
Mesterséges neurális hálók illesztése
Tartóvektor-gépek (SVM) illesztése

Lineárisan szeparálható bináris osztályozási probléma megoldása ANN-nel és SVM-mel

Leírás

Ebben a kísérletben egy perceptront és egy tartóvektor-gépet tanítunk egy két osztályból álló lineárisan szeparálható kétdimenziós adatállományon, amely a Wine adatállomány egy részhalmaza. Meghatározzuk az osztályozók adatállományon mért osztályozási pontosságát.

Bemenet

Wine [UCI MLR]

19.1. ábra - A Wine adatállomány egy lineárisan szeparálható részhalmaza

A Wine adatállomány egy lineárisan szeparálható részhalmaza

Ahhoz, hogy az adatállományt a kísérletben felhasználhassuk jelentős előfeldolgozáson kell keresztül mennie. Ez jelenti egyrészt az összesen 13 input attribútum közül 2 kiválasztását a Drop operátorral, majd a Class attribútumnál a második osztály törlését és a mérési skála megváltoztatását binárisra a Metadata operátorral.

Kimenet

A perceptron modell illeszkedésének jóságát a szokásos statisztikai mutatókkal (téves osztályozási arány, tévesen osztályozott esetek száma) és grafikus eszközökkel (válasz és lift görbe) ellenőrizhetjük.

19.2. ábra - A perceptron illeszkedési statisztikái

A perceptron illeszkedési statisztikái

19.3. ábra - A perceptron tévesztési mátrixa

A perceptron tévesztési mátrixa

19.4. ábra - A perceptron modell kumulatív lift görbéje

A perceptron modell kumulatív lift görbéje

A tartóvektor-gép (SVM) esetében a fenti eszközökön túl megkapjuk még a tartóvektorokkal kapcsolatos adatokat, úgymint a tartóvektorok számát, a margó nagyságát és a tartóvektorok pontos felsorolását.

19.5. ábra - Az SVM illeszkedési statisztikái

Az SVM illeszkedési statisztikái

19.6. ábra - Az SVM tévesztési mátrixa

Az SVM tévesztési mátrixa

19.7. ábra - Az SVM kumulatív lift görbéje

Az SVM kumulatív lift görbéje

19.8. ábra - A tartóvektorok listája

A tartóvektorok listája

Az eredmények értékelése

Az ábrák és a statisztikák azt mutatják, hogy a perceptron és a tartóvektor-gép egyaránt tökéletesen osztályozza az összes tanulóesetet.

Videó

Folyamat

sas_ann_svm_exp1.xml

Kulcsszavak

perceptron
felügyelt tanulás
osztályozás

Operátorok

Data Source
Drop
Filter
Graph Explore
Metadata
Neural Network
Support Vector Machine