Главная > Искусственные нейронные сети. Теория и практика
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

Часть III. ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Глава 6. ПРИМЕРЫ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Рассмотрим несколько конкретных примеров применения аппарата искусственных нейронных сетей для решения популярных задач классификации, прогнозирования, аппроксимации, сжатия информации, построения экспертных систем и некоторых других.

6.1. Прогнозирование результатов выборов

Данная задача стала классической для демонстрации работы нейросетевого классификатора. Она компактна, значения всех обучающих параметров представляются в форме «Да-Нет», основана на реальных данных и дает хороший результат. Содержательная постановка задачи взята из книги: Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996 (см. список литературы).

6.1.1. Содержательная постановка задачи

Рассмотрим использование нейроимитатора на примере предсказания итогов выборов президента США.

На первый взгляд кажется, что итоги выборов зависит только от личностей кандидатов и от их программ. Однако и программы, и образы кандидатов создаются профессионалами. Оказывается, что если предвыборные компании всех кандидатов отработаны добросовестно и все участники сделали все возможное, то выбор практически предопределяется лишь объективными признаками сложившейся накануне выборов ситуации в стране. А кто победит, можно решать на основании ответов на следующие вопросы.

1) Правящая партия у власти более 1 срока?

2) Правящая партия получила больше 50 % на прошлых выборах?

3) В год выборов была активна третья партия?

4) Была серьезная конкуренция при выдвижении кандидата от правящей партии?

5) Кандидат от правящей партии был президентом в год выборов?

6) Был ли год выборов временем спада или депрессии?

7) Был ли рост среднего национального валового продукта на душу населения более 2,1%?

8) Произвел ли правящий президент существенные изменения в политике?

9) Во время правления были существенные социальные волнения?

10) Администрация правящей партии виновна в серьезной ошибке или скандале?

11) Кандидат правящей партии - национальный герой?

12) Кандидат оппозиционной партии - национальный герой?

Обучающая выборка состоит из 31 примера, каждый из которых представляет ситуацию выборов, начиная с 1864 г. (табл. 6.1), где ответы «Да» обозначены единицами, а ответы «Нет» - нулями.

Класс 1 означает, что в данной ситуации был избран кандидат правящей партии, класс 2 - кандидат оппозиционной партии. После обучения сеть должна предсказать ответ для ситуации, отраженной табл. 6.2, которая не входила в обучающую выборку (когда производились эксперименты, результат выборов 1992 г. еще не был известен).

(кликните для просмотра скана)

6.1.2. Нейросетевое моделирование

Для решения поставленной задачи выберем в качестве программы-нейроимитатора нейропакет НейроПро (см. разд. 5.2). Решение будем проводить по этапам.

1) Подготовка исходных данных.

Используя табл. 6.1, подготовим в Excel обучающую выборку в виде табл. 6.3; сохраним эти данные в виде файла dBASE, как описано в разд. 5.2, с названием Выборы.dbf.

Таблица 6.3 (см. скан) Исходные данные (обучающая выборка) в виде таблицы

Подготовим данные для опроса в соответствии с табл. 6.2 в форме табл. 6.4 и сохраним под именем Прогноз.dbf.

Таблица 6.4 (см. скан) Исходные данные для прогноза


2) Задание топологии нейронной сети.

Будем использовать нейронную сеть с одним скрытым слоем Очевидно, число входных нейронов - 12, число выходных нейронов - 1. Для определения числа нейронов в скрытом слое воспользуемся рекомендациями, приведенными в разд 1.3

Использование формулы (1.5) при дает минимальное значение для и максимальное - 51, из формулы (1.6) следует, что число нейронов в скрытом слое должно быть от 1 до 4 Из выражения (1.8) видно, что это число не должно превышать 2,5. На основании этих результатов примем число нейронов в скрытом слое равным 2.

3) Обучение нейронной сети.

Используя нейропакет НейроПро и подготовленный файл Выборы.dbf, действуя в соответствии с правилами, изложенными в разд. 5.2, создадим нейронную сеть заданной топологии, проведем ее обучение и определим наиболее значащие признаки. Полученный результат отражен на рис. 6.1 и несколько отличается от приведенного в цитированном источнике. В нашем исследовании получилось, что наибольшее влияние на исход выборов оказывают ответы на вопросы 4, 8, 3 и 9.

Сохраним сеть и проект под именем «Выборы»; закроем программу.

4) Опрос обученной сети.

Вновь запустим программу НейроПро, откроем сохраненный проект и файл Прогноз.dbf. Выберем режим тестирования сети. Полученный при этом результат (в нашем случае - 2,01401, т. при округлении) говорит о том, что на 1992 год прогнозируется победа кандидата от оппозиционной партии, т. е. Б. Клинтона. Как известно, так и произошло. Отметим, что весьма близкий выход сети к числу 2 говорит, пожалуй, что сделанному прогнозу следовало доверять с большой степенью уверенности.

К сожалению, крайне неясно, можно ли использовать аналогичный нейросетевой подход для прогноза выборов в условиях пока еще очень нестабильной России

Рис. 6.1 Информативность параметров при выборе президента

1
Оглавление
email@scask.ru