13
Seminar 4 – Rețele Neuronale Artificiale SISTEME INTELIGENTE DE SUPORT DECIZIONAL Ș.l.dr.ing. Laura-Nicoleta IVANCIU
Seminar 4 – Rețele Neuronale Artificiale
SISTEME INTELIGENTEDE SUPORT DECIZIONAL
Ș.l.dr.ing. Laura-Nicoleta IVANCIU
2
Cuprins
RNA pentru aproximare de funcții –exemple de probleme RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Neuronul artificial
w – ponderi sinapticef – funcție de integrare/agregare/activare
Θ – bias (polarizare)
3
RNA pentru aproximare de funcții
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
4
RNA pentru aproximare de funcții
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
RNA feed-forward multi-strat
5
RNA pentru aproximare de funcții
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Se consideră o rețea neuronală artificială prezentată în figura alăturată.a) Descrieți arhitectura rețelei (număr de intrări, număr de ieșiri, număr destraturi, număr de neuroni în fiecare strat).b) Determinați valorile de ieșire pentru fiecare neuron din stratul ascuns,(în stratul ascuns funcțiile de activare ale neuronilor sunt hardlims).c) Care sunt valorile la ieșirea rețelei? (în stratul de ieșire funcțiile deactivare sunt purelin).
42
2
1
−==
xx
+1
-10
0hardlims
purelin
50804014050 02222111211 .b.w.wb.w.w ooooo =−=−===−=
508040125050 2222111211 .b.w.wb.w.w aaaaaa −===−=−==
6
RNA pentru aproximare de funcții
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Fie o rețea neuronală de tip feed-forward, cu doi neuroni pe stratul de intrare, un strat ascuns și un neuron pe stratul de ieșire. Rețeaua are următoarele ponderi:w13 = 0.1; w14 = 0.2; w15 = -0.1; w16 = 0.1w23 = 0.3; w24 = -0.2; w25 = -0.1; w26 = 0.3w37 = 0.1; w47 = a; w57 = b; w67 = -0.2și polarizările:b3 = -0.1; b4 = 0.2; b5 = 0.1; b6 = -0.5; b7 = 0.1a) Să se reprezinte grafic rețeaua neuronală, marcând valorile numerice pentru ponderi și polarizări și numerotarea neuronilor. b) Funcția de activare este funcția prag
>≤= 01
00uuuf ,
,)(
Cât trebuie să fie valorile ponderilor w47 și w57, astfel încât aplicând la intrare valorile (1; -1), să se obțină la ieșire valoarea 1?
7
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Schema bloc
Oj = 1 – obiectul este încadrat în clasa jOj = 0 – obiectul nu este încadrat în clasa j
Neuronii de pe stratul de ieșire au funcție de activare de tip
>≤= 01
00uuuf ,
,)(
8
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Matricea de confuzie (confusion matrix)
Sistem de clasificare a animalelor
27 animale – 8 pisici, 6 câini, 13 iepuri
Clasă cunoscută
Pisică Câine Iepure
Clasă detectată
Pisică 5 2 0
Câine 3 3 2
Iepure 0 1 11
9
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Matricea de confuzie (confusion matrix)Sistem de clasificare a animalelor27 animale – 8 pisici, 6 câini, 13 iepuri
• adevăr pozitiv (TP) – un exemplar care aparține clasei a fost recunoscut caaparținând clasei5 pisici au fost recunoscute ca fiind pisici
• fals pozitiv (FP) – un exemplar care aparține clasei nu a fost recunoscut ca aparținând clasei
3 pisici nu au fost recunoscute ca fiind pisici
Clasă cunoscută
Pisică Câine Iepure
Clasă detectată
Pisică 5 2 0
Câine 3 3 2
Iepure 0 1 11
10
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Matricea de confuzie (confusion matrix)Sistem de clasificare a animalelor27 animale – 8 pisici, 6 câini, 13 iepuri
• adevăr negativ (TN) – un exemplar care nu aparține clasei nu a fost recunoscut ca aparținând clasei
3+1 câini, respectiv 2+11 iepuri nu au fost recunoscuți ca fiind pisici
Clasă cunoscută
Pisică Câine Iepure
Clasă detectată
Pisică 5 2 0
Câine 3 3 2
Iepure 0 1 11
• fals negativ (FN) – un exemplar care nu aparține clasei a fost recunoscut caaparținând clasei2 câini, respectiv 0 iepuri au fost recunoscuți ca fiind pisici
11
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Matricea de confuzie (confusion matrix)Sistem de clasificare a animalelor27 animale – 8 pisici, 6 câini, 13 iepuri
Clasă cunoscută
Pisică Câine Iepure
Clasă detectată
Pisică 5 2 0
Câine 3 3 2
Iepure 0 1 11
Aparține Nu aparține
Recunoscut TP FN
Nerecunoscut FP TN
Pentru fiecare clasă în parte:
12
RNA pentru clasificare
. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Matricea de confuzie (confusion matrix)
13. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.
Seminar 4 – Rețele Neuronale Artificiale
Rezultatele obținute la testarea unui sistem de recunoaștere de forme cu trei clase sunt sintetizate în matricea de confuzie din figură.a) Determinati câte forme avem în fiecare din cele trei clase conform repartizării de referință (conform setului de date de test).b) Determinati câte forme au fost recunoscute de sistemul de recunoaștere în fiecare din cele trei clase.c) Interpretați valorile din toate celulele de pe rândul 3 al matricii de confuzie.
RNA pentru clasificare
1 2 3
1
2
3
1332.5%
12.5%
12.5%
86.7%13.3%
00.0%
1332.5%
25.0%
86.7%13.3%
00.0%
00.0%
1025.0%
100%0.0%
100%0.0%
92.9%7.1%
76.9%23.1%
90.0%10.0%
Target Class
Out
put C
lass
Confusion Matrix
