Нейронная сеть — это программа, построенная по принципу организации и функционирования биологических нейронных сетей.
Общие сведения о классификации
Некоторым компромиссным вариантом между параметрическим и метрическими методами считается применение для решения задач классификации нейронных сетей. Нейронные сети выступают как непараметрические модели, не требующие предположений о вероятностном распределении данных, но при этом и не использующие меры расстояний. Это обстоятельство способно сделать из них универсальные классификаторы, что может позволить получить результаты даже в случаях, когда параметрические и метрические классификаторы не обеспечивают приемлемого решения.
Классификация считается одной из наиболее важных задач, связанных с интеллектуальным анализом данных. Она может решаться при помощи аналитических моделей, именуемых классификаторами. Востребованность классификации объясняется относительно простыми алгоритмами и методами ее реализации, а также высокой интерпретируемостью результатов в сравнении с иными технологиями анализа данных.
На сегодняшний день существует много разных видов классификаторов, для формирования которых применяются как статистические методы, типа логистической регрессии, дискриминантного анализа, так и методы машинного обучения, типа нейронных сетей, деревьев решений, метода k-ближайших соседей, машины опорных векторов и другие.
Необходимость применения в анализе данных большого количества различных методик классификации, сопряжена с тем фактом, что решаемые при ее помощи задачи обладают своими особенностями, связанными, к примеру, с числом классов (бинарная классификация или с несколькими классами) или с представлением исходных данных, таких как их объем, размерность и качество, что предполагает выбор адекватного классификатора. По этой причине выбор классификатора, который соответствует особенностям решаемой задачи анализа, может считаться важнейшим фактором, влияющим на получение правильного решения.
Разные виды классификаторов обладают своими преимуществами и недостатками. Так, классификаторы, использующие методы статистики, обладают хорошей математической обоснованностью, но при этом являются сложными в применении и предполагают знание вероятностного распределения исходных данных и оценки его параметров (поэтому их и именуют параметрическими), а также обладают фиксированной структурой модели. Помимо этого, статистические методики способны оценить лишь вероятность принадлежности объекта классу, но не могут объяснить почему.
Построение минимальной классифицирующей нейронной сети
Классификаторам, которые основаны на машинном обучении, не требуется оценка параметров распределения исходных данных, а мера сходства в них может быть формализована при помощи функции расстояния (как правило, это евклидова функция). Подобные классификаторы именуются метрическими классификаторами. В основном они бывают более простыми в создании и применении, в сравнении с параметрическими классификаторами, а их результаты более удобны для интерпретации и понимания. Но вместе с тем метрические классификаторы представляют собой эвристические модели, то есть, могут обеспечить решение лишь в ограниченном количестве практически значимых случаев, а также способны выдать неточное или не единственное решение. По этой причине пользоваться их результаты можно с известной долей осторожности.
Определенным компромиссом между параметрической и метрической методиками может быть применение для решения задач классификации нейронных сетей. В самом деле, нейронная сеть является непараметрической моделью, не требующей предположений о вероятностном распределении данных, но при этом она и не применяет меры расстояний. Это обстоятельство способно сделать их универсальными классификаторами, позволяя получить результаты даже в случае, когда параметрические и метрические классификаторы не способны обеспечить приемлемого решения.
Необходимо заметить, что задача классификации для нейронных сетей, строго говоря, не считается основной (как, к примеру, для деревьев решений или алгоритма k ближайших соседей). Первоначально, главной задачей для нейронных сетей может считаться численное предсказание, то есть, когда на входе и выходе модели присутствуют числовые значения, что часто не вполне корректно именуют регрессией.
Тем не менее, если использовать специальные методы отображения данных, то появляется возможность адаптации нейронных сетей для работы с категориальными данными, то есть, возможность получать на вход и формировать на выходе категориальные значения. Для этого категориальные признаки должны соответствующим образом кодироваться при помощи числовых значений.
Но при этом, следует подчеркнуть следующие преимущества применения нейронных сетей в качестве классификаторов:
- Нейронные сети выступают как самообучающиеся модели, работа которых фактически может обходиться без вмешательства пользователя.
- Нейронные сети могут считаться универсальными аппроксиматорами, которые позволяют осуществлять аппроксимацию любых непрерывных функций с необходимой точностью.
- Нейронные сети представляют собой нелинейные модели, что предоставляет возможность эффективного решения задач классификации, даже если отсутствует линейная разделимость классов.
Необходимо помнить, что каких-либо специализированных архитектур нейронных сетей, предназначенных именно для классификации, не существует. Самой часто используемой для классификации архитектурной организацией считаются сети прямого распространения, на входные нейроны которых должны подаваться значения признаков классифицируемого объекта, а на выходе создается метка или числовой код класса. Как правило, должны применяться многослойные персептроны. В подобных сетях компоненты вектора признаков должны поступать на входные нейроны и распределяться на каждый нейрон первого скрытого слоя нейронной сети, и в результате размерность задачи должна изменяться.
