6.4. Задача об ирисах Фишера

Данная задача относится к классическим задачам классификации; ее содержательная постановка взята из книги Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - М.: ТВП, 1997.

6.4.1. Содержательная постановка задачи

Имеются данные измерений для трех видов ирисов в равных пропорциях (по 50 штук). Известны величины измерений четырех признаков: длина чашелистика ширина чашелистика длина лепестка и ширина лепестка

Требуется: используя все или часть этих данных и применяя нейросетевой подход, построить автоматический классификатор, относящий каждый вновь предъявляемый цветок к одному из трех видов на основании перечисленных признаков.

6.4.2. Построение нейросетевого классификатора

Выполним решение задачи, используя описанный выше нейропакет MPIL.

1) Подготовка исходных данных.

Используя 120 из 150 данных измерений, подготовим текстовый файл для обучения нейронной сети. В соответствии с изложенным в разд. 5.6, начало файла будет иметь вид:

Первые четыре столбца соответствуют числовым значениям четырех входных переменных, а три последующих - трем видам ириса. Единица означает принадлежность цветка к данному виду.

Используя все исходные данные, подготовим файл для тестирования сети (см. разд. 5.6) - iris.tes (отметим, что файлы iris2.net, iris.tes поставляются в комплекте с программой MPIL).

2) Обучение сети.

Запустим программу MPIL. Используя правила работы с программой, описанные в разд. 5.6, обучим нейронную сеть, сохраняя опции обучения по умолчанию.

Используя, далее, файл iris.tes, проанализируем точность классификации обученной сети, выбирая для этого опцию меню Test/Check Accuracy и указывая в диалоге в качестве тестирующего файла iris.tes, а в качестве файла протокола - iris.out. Результат тестирования отражается сообщением вида рис. 6.6.

Рис. 6.6. Сообщение о результате тестирования обученной нейронной сети

Из данного сообщения следует, в частности (и это подтверждается при просмотре файла iris.out), что из 150 предъявленных ошибочно классифицирован только один пример. Полученную точность можно считать очень высокой.

Заметим, что при обучении сети в режиме Mpil-2 генерируется набор из 13 логических правил классификации ириса.

Теперь обученную сеть можно сохранить и использовать далее по назначению. Точно так же строится классификатор для других подобных задач.