Orange 3 neuronová síť

Algoritmus vícevrstvého perceptronu (MLP) s backpropagací.

Vstupy

• Data: vstupní datový soubor
• Preprocesor: metody předzpracování

Výstupy

• Žák: vícevrstvý algoritmus učení perceptronu
• Model: vyškolený model

Neural Network Widget využívá sklearn Multi-navrstvit perceptron algoritmus , který může učit non-lineární modely, stejně jako lineární.

1. Název, pod nímž se objeví v jiných widgetech. Výchozí název je „Neural Network“.
2. Nastavit parametry modelu:
   • Neurony na skrytou vrstvu: definovaný jako i-tý prvek představuje počet neuronů v i-té skryté vrstvě. Např. Neurální síť se 3 vrstvami může být definována jako 2, 3, 2.
   • Aktivační funkce skryté vrstvy:
     • Identita: aktivace bez obsluhy, užitečné pro implementaci lineárního úzkého hrdla
     • Logistic: logistic sigmoid function
     • tanh: hyperbolická funkce tan
     • ReLu: funkce rektifikované lineární jednotky
   • Řešitel pro optimalizaci hmotnosti:
     • L-BFGS-B: optimalizátor v rodině kvazi-newtonských metod
     • SGD: sestup stochastického gradientu
     • Adam: stochastický optimalizátor založený na gradientu
   • Alfa: parametr L2 penalizace (termín regularizace)
   • Maximální počet iterací: maximální počet iterací
   Ostatní parametry jsou nastaveny na výchozí hodnoty sklearn .
3. Vytvořte zprávu.
4. Když je políčko zaškrtnuto ( Použít automaticky ), widget bude komunikovat změny automaticky. Případně klikněte na Použít .

Příklady 

Prvním příkladem je klasifikační úkol na datovém souboru iris . Porovnáme výsledky Neuronové sítě s Logistickou regresí .

Druhým příkladem je predikční úkol, který stále používá data duhovky . Tento pracovní postup ukazuje, jak používat výstup studenta . Vložíme Neural Network predikční model do Předpovědi a dodržovat předpovězené hodnoty.