Im letzten Beitrag (Klicke hier), wir sprechen kurz über die Grundlagen der KNN-Technik. Aber bevor Sie die Technik anwenden, ein Analytiker muss es wissen, Wie funktioniert die Technik eigentlich? Auch wenn keine detaillierte Überweisung erforderlich ist, das Algorithmus-Framework muss bekannt sein. Dieses Wissen dient mehreren Zwecken:
- Zuerst, hilft uns, die Auswirkungen einer Erhöhung zu verstehen / den Datensatz in Rechenzeit vertikal oder horizontal verkleinern.
- Zweitens, hilft uns, die Situationen oder Fälle zu verstehen, in denen das Modell am besten passt.
- An dritter Stelle, Es hilft uns auch zu erklären, warum ein bestimmtes Modell in bestimmten Einstellungen oder Situationen besser funktioniert..
In diesem Beitrag erhalten Sie ein grundlegendes Verständnis des Frameworks für künstliche neuronale Netze (ANN). Wir werden nicht in die eigentliche Umgehung gehen, aber die Informationen in diesem Beitrag werden ausreichen, um den Algorithmus zu verstehen und in die Praxis umzusetzen. Am Ende des Beitrags, Darüber hinaus werde ich meine Ansichten zu den drei grundlegenden Zwecken des Verständnisses jedes zuvor erwähnten Algorithmus präsentieren.
Formulierung neuronaler Netze
Wir beginnen mit dem Verständnis der Formulierung eines einfachen neuronalen Netzes mit versteckter Schicht. Ein einfaches neuronales Netz kann wie in der nächsten Abbildung dargestellt dargestellt werden:
Verbindungen zwischen Knoten sind die wichtigste Erkenntnis in einem KNN. Wir werden auf „Wie man das Gewicht jedes Links findet“ zurückkehren, nachdem wir den allgemeinen Rahmen besprochen haben. Die einzigen bekannten Werte im obigen Diagramm sind die Eingänge. Nennen wir die Eingänge I1, I2 und I3, versteckte Zustände wie H1, H2.H3 und H4, Ausgänge als O1 und O2. Linkgewichte können mit der folgenden Notation bezeichnet werden:
W (I1H1) ist das Gewicht der Verbindung zwischen den Knoten I1 und H1.
Unten ist der Rahmen, in dem künstliche neuronale Netze arbeiten (ANN):
Einige statistische Details zum Framework
Jede Verknüpfungsberechnung in einem künstlichen neuronalen Netz (ANN) ist gleichwertig. Allgemein, nehmen wir eine sigmoide Verknüpfung zwischen den Eingangsvariablen und der Aktivierungsrate der versteckten Knoten oder zwischen den versteckten Knoten und der Aktivierungsrate der Ausgangsknoten an. Bereiten wir die Gleichung vor, um die Aktivierungsrate von H1 . zu ermitteln.
Logit (H1) = W (I1H1) * I1 + W (I2H1) * I2 + W (I3H1) * I3 + Konstante = f
=> P (H1) = 1 / (1 + und ^ (- F))
So sieht die Sigmoid-Verknüpfung aus:
Wie werden Gewichte neu kalibriert?? Eine kurze Anmerkung
Die Neukalibrierung von Gewichten ist ein einfaches Verfahren, aber lang. Die einzigen Knoten, bei denen wir die Fehlerrate kennen, sind die Ausgabeknoten. Die Neukalibrierung der Gewichte auf der Verbindung zwischen dem versteckten Knoten und dem Ausgangsknoten ist eine Funktion dieser Fehlerrate an den Ausgangsknoten. Aber, Wie finden wir die Fehlerrate in versteckten Knoten? Statistisch lässt sich zeigen, dass:
Fehler @ H1 = W (H1O1) *[E-Mail geschützt] + W (H1O2) *[E-Mail geschützt]
Diese Fehler verwenden, wir können die Linkgewichte zwischen versteckten Knoten und Eingabeknoten auf äquivalente Weise neu kalibrieren. Stellen Sie sich vor, dass diese Berechnung für jede der Beobachtungen im Trainingssatz mehrmals durchgeführt wird..
Die drei Grundfragen
Wie ist die Korrelation zwischen der vom Algorithmus verbrauchten Zeit und der Datenmenge? (im Vergleich zu traditionellen Modellen wie Logistik)?
Wie zuvor genannt, für jede Beobachtung, ANN führt mehrere Neukalibrierungen für jedes Linkgewicht durch. Deswegen, die Zeit, die der Algorithmus benötigt, erhöht sich viel schneller als bei anderen traditionellen Algorithmen bei gleichem Anstieg des Datenvolumens.
In welcher Situation passt der Algorithmus am besten??
KNN wird selten für prädiktive Modellierung verwendet. Der Grund ist, dass Künstliche Neuronale Netze (ANN) sie versuchen normalerweise, das Pegging zu sehr zu passen. KNN wird im Allgemeinen in Fällen verwendet, in denen sich das Geschehene in der Vergangenheit auf fast genau dieselbe Weise wiederholt. Als Beispiel, Sagen wir, wir spielen Black Jack gegen einen Computer. Ein cleverer ANN-basierter Gegner wäre für diesen Fall ein sehr guter Gegner. (vorausgesetzt, sie können die Rechenzeit gering halten). Im Laufe der Zeit, ANN wird sich auf alle möglichen Card Flow-Fälle vorbereiten. Und da wir keine Karten mit einem Dealer mischen, ANN kann sich jeden Anruf merken. Deswegen, Es ist eine Art maschinelles Lernen, das ein riesiges Gedächtnis hat. Aber es funktioniert nicht gut, wenn die Scoring-Population signifikant von der Trainingsstichprobe abweicht. Als Beispiel, wenn ich einen Kunden für eine Kampagne mit seiner vorherigen Antwort von einem ANN ansprechen möchte. Ich werde wahrscheinlich die falsche Technik verwenden, da Sie die Verknüpfung zwischen der Lösung und anderen Prädiktoren möglicherweise zu stark angepasst haben.
Aus dem gleichen Grunde, funktioniert sehr gut bei Bildakkreditierung und Stimmakkreditierung.
Was macht KNN zu einem sehr starken Modell, wenn es um das Auswendiglernen geht?
Künstliche neurale Netzwerke (ANN) haben viele verschiedene Koeffizienten, dass du das Beste daraus machen kannst. Deswegen, kann im Vergleich zu herkömmlichen Modellen viel mehr Variabilität verarbeiten.
War der Beitrag hilfreich? Haben Sie in letzter Zeit andere Tools für maschinelles Lernen verwendet?? Planen Sie, ANN bei Ihren geschäftlichen Problemen einzusetzen?? Wenn ja, Sag uns, wie du es vorhast.
