Форум: Проблемы искусственного интеллекта

Регистрация | Вход

Все темы | Новая тема  Стр.1 (1)     Поиск:
Автор	Тема: Как классифицировать только то, что хорошо классифицируется.
cfytr Сообщений: 4	Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 8:13 Если непонятно объясню, спрашивайте, что непонятно. И посоветуйте, где еще задать этот вопрос. Коротко: Как классифицировать только то, что хорошо классифицируется. Подробно: Есть обучающая выборка. Входные данные: n m-мерных векторов; Выходные данные: m-мерный двоичный вектор; Задача создать черный ящик, который обучется на этих данных. Черный ящик имеет n входов и один выход с тремя состояниями 0 1 и -1. 0 1 - это ответ черного ящика. -1 значит, что черный ящик не знает ответа. Обучени должно проходить так, что бы уменьшить среднюю ошибку в тех случая, когда черный ящик возвращает ответ. Пример: Скрипт matlab для генерации данных: in=rand(3,10); da=(in(1,: )<in(2,: ))&(in(3,: )<in(2,: ))&(in(1,: )<in(3,: )); net=~(in(1,: )>in(2,: ))&(in(3,: )>in(2,: ))&(in(1,: )>in(3,: )); out=randi(2,1,length(in))-1; out=(out|da)&net; in - матрица 3x10 заполнена случайными значениями от 0 до 1. 10 примеров по 3 входных значения. out - вектор из 10 двоичных значений. out=1, когда da=1 и out =0, когда net=0, в остальных случая out заполнен случайными значениями. Черный ящик должен запомнить зависимости, которые формируют вектора da и net и когда входной вектор подходит под эти зависимости выдавал ответ. В остальных случаях выдавал -1; Какими методами можно создать такой черный ящик? [Ответ][Цитата]
Анатоль Сообщений: 1964	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 8:27 Цитата: Автор: cfytr 0 1 - это ответ черного ящика. -1 значит, что черный ящик не знает ответа. Плохой выбор. Лучше для ответа взять -1 и 1. А если не знает - то 0 - середина между вариантами. Тогда чем дальше от 0 в сторону -1 или 1 - тем надёжнее ответ. [Ответ][Цитата]
cfytr Сообщений: 4	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 12:28 Согласен с вами, но вопрос не в этом. Данные сильно зашумленны. Какими методами лучше пользоваться, что бы шумы не влияли на поиск закономерностей там, где они действительно есть? [Ответ][Цитата]
гость 31.181.97.*	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 12:47 Цитата: Данные сильно зашумленны. Какими методами лучше пользоваться, что бы шумы не влияли на поиск закономерностей там, где они действительно есть? Объединить несколько ячеек в одну, допустим вычислением среднего арифметического. Таким образом шумы будут подавлены и преобладающее значение станет менее явно, но не менее явно чем значение шума, так как шум как правило является не критичным отклонением от реального значения, а не значением самостоятельным. [Ответ][Цитата]
cfytr Сообщений: 4	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 13:30 Цитата: Объединить несколько ячеек в одну, допустим вычислением среднего арифметического. Таким образом шумы будут подавлены и преобладающее значение станет менее явно, но не менее явно чем значение шума, так как шум как правило является не критичным отклонением от реального значения, а не значением самостоятельным. 1)Поясните, что значит "Объединить несколько ячеек в одну"? 2)Мне кажется вы не правильно поняли значение слова шум. В примере черный ящик 3 входа, один выход. Соответственно данные - это обучающее множество состоящие из входных векторов длинной 3 и выходных значений. В этом множестве часть выходных значений зависят от входных, а часть нет. Вот ту часть, которая не зависит от входов я называю шумом. [Ответ][Цитата]
гость 31.181.97.*	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 13:55 Цитата: Поясните, что значит "Объединить несколько ячеек в одну"? То что написано. Складываем ячейки соседние с ячейкой а результат записываем в ячейку. Тока тут такое не прокатит, маловато значение шума. И размеры матрицы позволяют не строить шумоподавителей а распознавать твои "зависимости" на матрице в исходном виде за сотые доли секунды. Цитата: входных векторов Ты можеш выражаться проще? Я голову сломал пытаясь понять что такое вектор, а сейчас ты меня в противоречивое состояние загнал, когда я не могу понять а правильное ли я читал объяснение что такое вектор. Поясни так - матрица 3х3 в ней выбираю ячейки с 3 по 5 и запоминаю, в следующей матрице ищу запомненное и если нахожу - результат 1 иначе 0. [Ответ][Цитата]
cfytr Сообщений: 4	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 14:08 3 числа подаются на вход черного ящика. одно число, мы должны получить на выходе - правильный ответ. Назовем 3 числа и правильный ответ "примером". У нас есть 10 примеров. В части их этих примеров ответы зависят от входов. В другой части ответы проставлены случайно. Часть в которой ответы проставлены случайно я называю шумом. [Ответ][Цитата]
гость 31.181.97.*	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 19 апр 13 14:39 Цитата: 3 числа подаются на вход черного ящика. одно число, мы должны получить на выходе - правильный ответ. Назовем 3 числа и правильный ответ "примером". У нас есть 10 примеров. В части их этих примеров ответы зависят от входов. В другой части ответы проставлены случайно. Часть в которой ответы проставлены случайно я называю шумом. А. Тоесть мы смотрим на результат деятельности чёрного ящика. Тогда сравнение с эталоном спасёт мир. На пример эталоны: 101 = 1 001 = 1 010 = 0 100 = 0 Если чёрный ящик имея на входе то что слева от равно на выход даёт тоже что и в эталоне(справа от равно), то ответ ящика верный иначе - это либо не верный ответ либо шум. Какбы зависимость это и есть эталон. [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Как классифицировать только то, что хорошо классифицируется. Добавлено: 20 апр 13 5:02 Цитата: Автор: cfytr Данные сильно зашумленны. Какими методами лучше пользоваться, что бы шумы не влияли на поиск закономерностей там, где они действительно есть? В общем случае - лучше увеличивать размер обучающей выборки. Чтобы оценки априорных и апостериорных вероятностей классов при некотором значении аргумента (хоть одномерного, хоть точки в многомерном пространстве) таки сходились к верным значениям. [Ответ][Цитата]
Стр.1 (1)