Этот метод требует большого времени счета (обычно приходится строить

и проверять многие тысячи сетей), однако реализованная в пакете ST

Neural Networks его комбинация с быстро обучающимися сетями

типа PNN/GRNN позволяет ускорить его работу настолько, насколь-

ко это вообще возможно [244].

Выполнение алгоритма

Прогонять этот алгоритм мы будем на модифицированном вари-

анте усеченного набора данных про ирисы, но прежде сделаем хотя

бы одну переменную Выходной - Output через диалоговое окно Вы-

бор типов переменных– Set Variable Types → Типы –Type → Пере-

менные – Variables → меню Правка – Edit.

В состав программы входит файл данных Iris.sta или IrisDat.sta,

относящийся к задаче Фишера о классификации ирисов.

Рассматривается три вида цветков ириса: Setosa, Versicolor и

Virginica. Всего имеется по 50 экземпляров каждого вида, и для ка-

ждого из них измерены четыре величины: длина и ширина чашели-

стика, длина и ширина лепестка. Цель состоит в том, чтобы научить-

ся предсказывать тип нового (пока не известного) цветка по данным

этих измерений.

Эта задача интересна сразу но нескольким причинам. Во-

первых, один из классов (Setosa) линейно отделим от двух других Оставшиеся два разделить гораздо труднее, и кроме того, имеется

несколько экземпляров, выбивающихся из общей картины, которые

легко отнести к другому классу. Такие выбросы являются хорошей

проверкой надежности работы сети на сложных данных.

Представление нескольких классов

Загрузите файл Iris.sta или IrisDat.sta в пакет ST Neural Networks

и взгляните на данные. Здесь имеется четыре входных переменных и

одна выходная. Выходная переменная — номинальная с тремя воз-

можными значениями: Iris = {Setosa, Versicol, Virginic}.

Формирование уменьшенного набора данных

Данные про ирисы содержа 150 наблюдений - это довольно мно-

го, и сеть будет обучаться медленно. Для учебных целей давайте

сократим объем данных до 60 наблюдений. При этом мы заодно познакомимся с некоторыми возможностями Редактора данных - Data Set Editor.

Генетические алгоритмы отбора входных данных 2