Нейросетевые технологии. Каширина И.Л. - 39 стр.

всех людей больными являются 2 %, то в обучающем множестве для сети,
диагностирующей заболевание, больных должно быть тоже 2 %. Если же
априорные вероятности будут отличаться от пропорций в обучающей вы-
борке, то сеть будет выдавать неправильный результат. Это можно учесть
(если известны априорные вероятности), вводя поправочные коэффициен-
ты для различных классов.
      Второй вариант модификации основан на следующей идее. Если
обучение сети основывается на зашумленных данных, это неизбежно бу-
дет приводить к отдельным ошибкам классификации. Иногда бывает целе-
сообразно считать, что некоторые виды ошибок обходятся «дороже» дру-
гих (например, если здоровый человек будет классифицирован как боль-
ной, то это вызовет лишние затраты на его обследование, но не создаст уг-
розы для жизни; если же больной будет классифицирован как здоровый, то
это может привести к смертельному исходу). В такой ситуации значения,
которые выдает сеть, следует домножить на коэффициенты потерь, отра-
жающие относительную цену ошибок классификации, после чего в качест-
ве ответа берется класс, имеющий наименьшую оценку потерь.
      Следует отметить, что сети PNN достаточно хорошо выполняют
классификацию. Они быстро обучаются, допускают наличие ошибочных
данных и обеспечивают полезные результаты даже на малых выборках
учебных данных. Однако PNN оказываются весьма требовательными в от-
ношении ресурсов. В задачах, требующих большого объема обучающих
данных (сотни и тысячи примеров), сеть становится слишком громоздкой.
                             УПРАЖНЕНИЯ
1. Написать программу, обучающую сеть Кохонена (или вероятностную
 нейронную сеть) классифицировать типы цветков ириса (Iris Setosa – 0,
 Iris Versicolour – 1, Iris Virginica – 2) по 4 размерам их пестиков и тычи-
 нок.    База     данных,      расположенная,      например,    на   сервере
 www.basegroup.ru, содержит по 50 примеров каждого класса (всего 150
 примеров). Первые 100 примеров используйте для обучения, остальные –
 для тестирования.
2. Написать программу, обучающую сеть Кохонена давать прогноз стои-
 мости недвижимости в разных районах города. С помощью газет («Каме-
 лот», «Из рук в руки») выбрать и произвести численное кодирование
 10 наиболее важных параметров, определяющих стоимость жилья (жилая
 площадь, размер кухни, престижность района и т.д.). Каждый нейрон Ко-
 хонена определяет класс квартир, близких по стоимости (например, 1-й
 класс – квартиры стоимостью 200–210 тыс. рублей, 2-й класс – 210–
 220 тыс. рублей и т.д.). Базу данных, включающую не менее 100 обучаю-
 щих примеров, сформировать самостоятельно на основе информации из
 газет.
                                     39