5. Một số phƣơng pháp phân lớp
5.4. Phân lớp và mạng nơron nhân tạo
Một kĩ thuật rất quan trọng khác sử dụng trong phân lớp và dự báo đó là mạng nơron nhân tạo. Các giải pháp toán học trên mô hình tuyến tính tỏ ra rất hiệu quả, nhƣng đối với mô hình phi tuyến, hầu nhƣ các thao tác toán học là vô hạn và phức tạp. Tuy nhiên, mạng nơron nhân tạo là một họ của các giải pháp phi tuyến cung cấp một cách tiếp cận mạnh và hiệu quả cho việc phân lớp và dự báo. Về mặt lý thuyết, mạng nơron có khả năng xấp xỉ hầu hết các hàm phức tạp với hiệu quả rất gần với mô hình tuyến tính.
Nhƣ đã giới thiệu, trải qua thời gian có rất nhiều kiến trúc mạng nơron. Tuy nhiên, hầu hết các mạng nơron đƣợc sử dụng rộng rãi là mạng đầy đủ và lan truyền ngƣợc.
Với bài toán phân lớp, mỗi lớp đƣợc biểu diễn bởi một đơn vị ra riêng biệt. Đối với mỗi trƣờng hợp, nếu giá trị đầu ra là 1 thì thì trƣờng hợp đó sẽ đƣợc quy vào lớp đúng, ngƣợc lại, giá trị giá trị ra là 0 sẽ đƣợc chỉ định vào các lớp còn lại. Ta trở lại với ví dụ về dữ liệu sinh thiết tế bào chẩn đoán bệnh ung thƣ ở phần II.2, phƣơng pháp mạng nơron có thể đƣợc áp dụng nhƣ
hình vẽ sau:
Hình 5: Phân lớp dựa vào mạng Nơron.
Mặc dù mạng nơron là một trong những cách biểu diễn các giải pháp toán học mạnh nhất và đơn giản nhất nhƣng việc đạt đƣợc bộ trọng số hợp lý là một công việc khó. Mục tiêu là cực tiểu hóa sai phƣơng giữa các giá trị đầu ra của các mẫu huấn luyện. Lan truyền ngƣợc là một phƣơng pháp tối ƣu đơn giản nhất mà có rất nhiều ƣu điểm, trong đó có thể nói ƣu điểm lớn nhất là có thể sử dụng các mẫu huấn luyện đơn giản và bất kỳ. Tuy nhiên, phƣơng pháp này có thể gặp bất lợi do tốc độ huấn luyện chậm.
Color=dark #nuclie=1 . . . #tails=2 Healthy Cancerou s