التعلم الآلي (ML). تدريب النماذج الرياضية باستخدام الخوارزمية الشبكات العصبية طرق الانحدار والتصنيف

الشبكات العصبية هي نوع من خوارزميات التعلم الآلي/التعلم العميق التي تحاكي عمل الدماغ البشري. وهي تتكون من طبقات متعددة من الخلايا العصبية التي تتصل ببعضها البعض وتتفاعل مع بعضها البعض من خلال وظيفة التنشيط. تستخدم الشبكات العصبية طبقات الإدخال (البيانات كمدخلات)، والطبقات المخفية (تحتوي على خلايا عصبية اصطناعية تعالج البيانات)، وطبقات الإخراج (التي تولد مخرجات من البيانات المعالجة). تندرج خوارزمية الشبكة العصبية ضمن فئة خوارزميات التعلم الخاضع للإشراف وتستخدم للتنبؤ بمتغيرات الإخراج المستمرة (الانحدار) والفئوية (التصنيف). هذه الميزة في برنامجنا تجعل تكنولوجيا التعلم الآلي في متناول مجموعة واسعة من المستخدمين.

يمكنك تنزيل مثال لملف جدول بيانات منظم لإنشاء نموذج رياضي والتنبؤ بواسطة خوارزمية الشبكة العصبية لتحليل الانحدار: XLSX و للتصنيف XLSX .

يمكن استخدام البيانات المنظمة من ملفات الجدول للاستيراد: مصنف Excel (*.xlsx)؛ مصنف Excel الثنائي (*.xlsb)؛ جدول بيانات OpenDocument (*.ods).

أين يتم استخدامه؟

يمكن استخدام تحليل البيانات باستخدام طريقة الشبكة العصبية:

• كبديل فعال (التكلفة، الوقت، الموارد)" تجارب التخطيط "للبحث عن الأوضاع المثلى لمعلمات الإدخال؛
• للتقييم الأولي أو البديل لمعلمات المخرجات عندما يتم تنفيذ إجراءات القياس لهذه المعلمات بواسطة اختبارات مكلفة و/أو تستغرق وقتًا طويلاً؛
• لأنظمة دعم القرار المتخصصة (DSS)، عندما ترتبط القرارات بمخاطر الأخطاء البشرية.

ملفات نموذج البيانات

يمكن لبرنامجنا استخدام النماذج الرياضية المدربة للشبكة العصبية لمكتبة scikit-Learn، والتي تم إنشاؤها على أجهزة كمبيوتر أخرى وحفظها في ملفات (*.sav).

الشبكات العصبية بطريقة الانحدار للكميات المستمرة (القياسات) عند المدخلات والمخرجات

الشكل 1. نافذة للوصول إلى وظائف التعلم الآلي (ML). يتم عرض قائمة بالقوائم المنسدلة عند تحريك الماوس فوق عنصر القائمة الرئيسية.

الشكل 2. نافذة وظائف التعلم الآلي (ML). يتم عرض تلميح الأدوات عند تحريك الماوس فوق الزر للانتقال إلى وظائف الشبكات العصبية (الانحدار والتصنيف).

الشكل 3. نافذة للانتقال إلى وظائف إدارة خوارزميات التعلم الآلي باستخدام أساليب الشبكة العصبية (الانحدار والتصنيف). يظهر تلميح أداة منسدل عندما تقوم بتحريك الماوس فوق الزر للانتقال إلى لوحة التحكم الخاصة بخوارزميات الشبكة العصبية (الانحدار).

الشكل 4. نافذة وظيفة التحكم في خوارزمية التعلم الآلي باستخدام طريقة الشبكة العصبية (الانحدار). تم تحديد المتغير الذي سيتم التنبؤ به. يتم تعيين القيم الافتراضية: عدد الطبقات المخفية وعدد الخلايا العصبية في كل طبقة مخفية، عدد التكرارات (العصور). تم تحديد خانة الاختيار لحفظ النموذج في مجلد التطبيق المناسب (SCCPython\resources\Model_AI). يتم عرض خصائص ومؤشرات دقة النموذج الرياضي المدرب أعلى مخطط الشبكة العصبية. تعرض منطقة الرسم الرسم البياني "مخطط الشبكة العصبية، القيم الفعلية مقابل القيم المتوقعة".

الشكل 5. نافذة وظيفة التحكم في خوارزمية التعلم الآلي باستخدام طريقة الشبكة العصبية (الانحدار). تم تغيير قيم الحقول الخاصة بعدد الطبقات المخفية والخلايا العصبية في كل طبقة مخفية من الشبكة العصبية.

الشكل 6. نافذة وظيفة التحكم في خوارزمية التعلم الآلي باستخدام طريقة الشبكة العصبية (الانحدار). يتم فتح قائمة منسدلة تحتوي على أنواع الرسوم البيانية لتقييم النماذج الرياضية.

الشكل 7. نافذة وظيفة التحكم في خوارزمية التعلم الآلي باستخدام طريقة الشبكة العصبية (الانحدار). تعرض منطقة الرسم الرسم البياني "القيم الفعلية مقابل القيم المتوقعة" لمجموعة بيانات الاختبار.

الشكل 8. نافذة الوظيفة للتحكم في تطبيق النموذج الرياضي للشبكة العصبية (الانحدار). تعرض منطقة الرسم الرسم البياني "القيم الفعلية مقابل القيم المتوقعة" لمجموعة بيانات الاختبار. يتم تغيير حجم الرسم البياني على المحور X لإظهار نقاط أقل (من 140 إلى 196) باستخدام أداة Zoom الموجودة أسفل الرسم البياني.

وظيفة تحميل ملف بنموذج رياضي محفوظ للشبكة العصبية (الانحدار) وتطبيقه على بياناتك للتنبؤ مشابهة للوظيفة الموضحة في الصفحة أشجار القرار (الانحدار) .

إذا كانت بياناتك المستوردة تحتوي على عمود متغير توضيحي واحد أو أكثر بقيم فئوية، مثل [ذكر، أنثى]، فسيتم تنفيذ إجراء ترميز سريع تلقائي لتحويل البيانات إلى أعمدة مشفرة رقمية جديدة [0، 1]. سيتم حفظ البيانات المشفرة الساخنة في الملف [xlsx] الأصلي في ورقة جديدة.

الأسباب التي تجعل دقة النموذج الرياضي باستخدام طريقة الشبكة العصبية (الانحدار) تعطي دقة منخفضة

1. كمية محدودة من البيانات: إذا كان لديك كمية محدودة من البيانات لتدريب نموذج، فقد لا تحتوي الشبكة العصبية على معلومات كافية لإنشاء نموذج دقيق. غالبًا ما تكون هناك حاجة إلى بيانات كبيرة ومتنوعة لتدريب الشبكة العصبية بدقة عالية.
2. بنية الشبكة غير المناسبة: يعد اختيار بنية الشبكة العصبية المناسبة أمرًا مهمًا للغاية. إذا كانت بنية الشبكة العصبية المختارة غير مناسبة لمجموعة بيانات محددة أو مشكلة انحدار، فقد يؤدي ذلك إلى ضعف دقة النموذج. من الضروري تجربة أنواع مختلفة من الطبقات وعدد الوحدات المخفية وبنية الشبكة لتحقيق نتائج أفضل.
3. التدريب غير الكافي: يمكن أن يكون تدريب الشبكة العصبية عملية معقدة، ويتطلب عددًا كافيًا من العصور وضبطًا دقيقًا للمعلمات الفائقة. إذا لم يتم تدريب النموذج لفترات كافية أو باستخدام معلمات تشعبية محددة بشكل غير صحيح، فقد يؤدي ذلك إلى انخفاض دقة النموذج.
4. التجهيز الزائد: قد تواجه الشبكة العصبية مشكلة التجهيز الزائد إذا كانت مجموعة التدريب صغيرة جدًا وكان النموذج يحتوي على عدد كبير جدًا من المعلمات. يمكن أن يؤدي هذا إلى ضعف القدرة على تعميم النموذج وانخفاض الدقة في البيانات الجديدة. عند إعادة التدريب، يوصى باستخدام أساليب التنظيم، مثل تقليل معدل التعلم أو إدخال قيود على قاعدة الأوزان.
5. المعالجة المسبقة غير الصحيحة للبيانات: يمكن أن تؤثر المعالجة المسبقة غير الصحيحة للبيانات، مثل القياس أو التسوية أو المعالجة الخارجية، بشكل كبير على دقة نموذج الشبكة العصبية. من الضروري تحليل البيانات وإعدادها بعناية قبل تدريب النموذج.
6. بيانات غير متوازنة: إذا كانت مجموعة البيانات الخاصة بك تحتوي على عدد غير متساو من الأمثلة لقيم مختلفة للمتغير المستهدف، فقد يؤدي ذلك إلى ضعف دقة النموذج. في مثل هذه الحالات، يمكن تطبيق تقنيات الوزن النموذجية.
7. مشاكل في أخذ عينات البيانات: إذا تم تحديد البيانات بشكل عشوائي أو غير صحيح، فقد يؤدي ذلك إلى انخفاض دقة النموذج. من المهم تحديد البيانات بعناية بحيث تمثل مشكلة الانحدار.

الشبكات العصبية حسب طريقة التصنيف للكميات المستمرة (القياسات) كمدخلات والبيانات الفئوية (الفئات) كمخرجات

مثال 1. بناء على نتائج الفحوصات السريرية للمريض، من الضروري اتخاذ قرار بشأن تشخيصه، على سبيل المثال، مريض/غير مريض.

مثال 2. من الضروري استخلاص استنتاج حول انتماء كائن أو حدث إلى فئة (نوع) معينة بناءً على نتائج قياسات العديد من خصائصه (خصائصه).

الشكل 9. نافذة وظيفة إدارة التدريب وتقييم النموذج الرياضي للشبكة العصبية (التصنيف). يتم عرض تلميح أداة منسدل عند تحريك الماوس فوق الزر للانتقال إلى لوحة التحكم الخاصة بخوارزميات الشبكة العصبية باستخدام طريقة التصنيف.

الشكل 10. نافذة وظيفة إدارة التدريب وتقييم النموذج الرياضي للشبكة العصبية (التصنيف). يتم تحديد المتغير الفئوي المتوقع (متغير الفئة). يتم تعيين القيم الافتراضية: عدد الطبقات المخفية وعدد الخلايا العصبية في كل طبقة مخفية، عدد التكرارات (العصور). تم تحديد خانة الاختيار لحفظ النموذج في مجلد التطبيق المناسب (SCCPython\resources\Model_AI). يتم عرض خصائص ومؤشرات دقة النموذج الرياضي المدرب أعلى مخطط الشبكة العصبية. يتم فتح قائمة منسدلة تحتوي على رسوم بيانية لتقييم النموذج الرياضي. تعرض منطقة الرسم الرسم البياني "مخطط الشبكة العصبية، القيم الفعلية مقابل القيم المتوقعة".

الشكل 11. نافذة وظيفة إدارة تدريب وتقييم النموذج الرياضي للشبكة العصبية (التصنيف) مع الرسوم البيانية لـ "مصفوفة الارتباك".

وظيفة تحميل ملف بنموذج رياضي محفوظ للشبكة العصبية (التصنيف) وتطبيقه على بياناتك للتنبؤ مشابهة للوظيفة الموضحة في الصفحة أشجار القرار (التصنيف) .

إذا كانت بياناتك المستوردة تحتوي على عمود متغير توضيحي واحد أو أكثر بقيم فئوية، مثل [ذكر، أنثى]، فسيتم تنفيذ إجراء ترميز سريع تلقائي لتحويل البيانات إلى أعمدة مشفرة رقمية جديدة [0، 1]. سيتم حفظ البيانات المشفرة الساخنة في الملف [xlsx] الأصلي في ورقة جديدة.

الأسباب التي تجعل دقة النموذج الرياضي باستخدام طريقة الشبكة العصبية (التصنيف) تعطي دقة منخفضة

1. بيانات غير كافية: إذا تم تدريب النموذج على كمية صغيرة من البيانات، فقد يؤدي ذلك إلى انخفاض الدقة. كلما زادت البيانات المتاحة للتدريب، أصبح النموذج أكثر دقة.
2. هندسة الشبكة العصبية الخاطئة: من المهم اختيار بنية الشبكة العصبية المناسبة. يمكن أن يؤثر الفشل في مطابقة البنية مع مهمة البيانات أو التصنيف على دقة النموذج.
3. المعلمات الفائقة المختارة بشكل غير صحيح: تحتوي الشبكات العصبية على العديد من المعلمات الفائقة التي تحتاج إلى ضبطها بشكل صحيح. يمكن أن يؤدي الاختيار الخاطئ للمعلمات الفائقة إلى انخفاض دقة النموذج.
4. استخدام الميزات غير الصحيحة: من المهم أيضًا تحديد الميزات الصحيحة وذات الصلة. قد يؤدي استخدام ميزات غير مناسبة أو غير ذات صلة إلى تقليل دقة التصنيف.
5. المعالجة المسبقة غير الصحيحة للبيانات: يمكن أن تؤثر المعالجة المسبقة غير الصحيحة للبيانات على دقة نموذج الشبكة العصبية. قد يتضمن ذلك القياس غير الصحيح أو التسوية أو التعامل مع القيم المتطرفة.
6. الاختيار الخاطئ لوظيفة الخسارة: يجب أن تكون وظيفة الخسارة في الشبكة العصبية مناسبة لمهمة تصنيف معينة. يمكن أن يؤثر اختيار دالة الخسارة الخاطئة على دقة النموذج.