IV. Các vấn đề thực tế
2.Thực hiện thuật giải Microsoft Neural Network
Trong một mạng neural Multilayer Perceptron, mỗi tế bào neural nhận được một hoặc nhiều đầu vào và sản xuất một hoặc nhiều kết quả đầu ra giống hệt nhau. Mỗi đầu ra là một chức năng không tuyến tính đơn giản của tổng các đầu vào cho các neuron
Đầu vào thông qua chuyển tiếp từ các nút trong lớp nhập cho các nút trong lớp ẩn, và sau đó vượt qua từ lớp ẩn đến lớp ra, không có kết nối giữa các neuron trong một lớp.
Nếu không có lớp ẩn được bao gồm, như trong một mô hình hồi quy, đầu vào vượt qua chuyển tiếp trực tiếp từ các nút trong lớp nhập cho các nút trong lớp ra.
Có ba loại neural trong một mạng neural được tạo ra với các thuật toán mạng Neural của Microsoft:
Input neurons (Neural đầu vào): Các đầu vào cung cấp đầu vào giá trị
thuộc tính cho các mô hình khai thác dữ liệu. Cho các thuộc tính đầu vào rời rạc, một tế bào neural đầu vào thường đại diện cho một trạng thái duy nhất từ các thuộc
tính đầu vào. Điều này bao gồm giá trị còn thiếu, nếu dữ liệu huấn luyện có null cho thuộc tính đó.
Một thuộc tính đầu vào rời rạc mà có nhiều hơn hai trạng thái tạo ra một tế bào neural đầu vào cho mỗi trạng thái, và một tế bào neural đầu vào cho một trạng thái còn thiếu, nếu có bất kỳ giá trị null trong dữ lệu huấn luyện.
Một thuộc tính đầu vào liên tục tạo ra hai tế bào neural đầu vào: một tế bào neural cho một trạng thái còn thiếu, và một tế bào neural cho giá trị của các thuộc tính liên tục của chính nó. Các đầu vào cung cấp đầu vào cho một hoặc nhiều tế bào neural ẩn.
Hidden neurons (Tế bào neural ẩn): Tế bào neural ẩn nhận đầu vào từ các đầu vào và cung cấp đầu ra cho tế bào neural đầu ra.
Output neurons (tế bào neural đầu ra): Tế bào neural đầu ra đại diện cho các giá trị thuộc tính dự đoán được cho các mô hình khai thác dữ liệu. Cho các thuộc tính đầu vào rời rạc, một tế bào neural đầu ra thường đại diện cho một trạng thái dự báo duy nhất cho một thuộc tính dự đoán được, bao gồm cả giá trị còn thiếu.
Ví dụ, một thuộc tính dự đoán nhị phân tạo ra một nút đầu ra mô tả một trạng thái bị mất hoặc hiện có, để chỉ rõ một giá trị tồn tại cho thuộc tính đó.
Một cột Boolean được sử dụng như một thuộc tính dự đoán được tạo ra ba đầu ra tế bào neural: một tế bào neural cho một giá trị thật sự, một tế bào neural cho một giá trị sai, và một tế bào neural cho một trạng thái bị mất hoặc hiện có.
Một thuộc tính dự đoán được riêng biệt có có nhiều hơn hai trạng thái tạo ra một tế bào neural đầu ra cho mỗi trạng thái, và một đầu ra tế bào neural cho một trạng thái bị mất hoặc tồn tại. Cột dự đoán liên tục tạo ra hai tế bào neural đầu ra: một tế bào neural cho một trạng thái bị mất hoặc hiện có, và một tế bào neural cho các giá trị của cột liên tục chính nó.
Nếu có nhiều hơn 500 tế bào neural đầu ra được tạo ra bằng cách xem tập hợp các cột dự đoán, Analysis Services tạo ra một mạng mới trong các mô hình khai thác để đại diện cho các tế bào neural đầu ra bổ sung.
Một tế bào neural nhận được đầu vào từ tế bào neural khác, hoặc từ các dữ liệu khác, phụ thuộc vào nó ở trong lớp mạng nào. Một tế bào neural nhận được đầu vào từ dữ liệu gốc.
Tế bào neural ẩn và tế bào neural đầu ra nhận được đầu vào từ đầu ra của tế bào neural khác trong mạng neural. Đầu vào thiết lập mối quan hệ giữa các tế bào neural, và các mối quan hệ dùng như một con đường phân tích cho một tập hợp các trường hợp cụ thể .
Mỗi đầu vào có giá trị được gán cho nó, được gọi là trọng số, trong đó mô tả mức độ phù hợp hoặc tầm quan trọng của đầu vào mà đặc biệt đến các tế bào neural ẩn hoặc các tế bào neural đầu ra.
Việc lớn hơn trọng số được gán cho một đầu vào, có liên quan hoặc quan trọng hơn giá trị của đầu vào. Trọng số có thể là số âm, có nghĩa là đầu vào có thể hạn chế, thay vì Activate, một tế bào neural cụ thể. Giá trị của mỗi đầu vào được nhân với trọng số để nhấn mạnh tầm quan trọng của một đầu vào cho một tế bào neural cụ thể.
Cho trọng số âm, hiệu quả của nhân giá trị của trọng số deemphasize là quan trọng. Mỗi tế bào neural có chức năng đơn giản không tuyến tính được gán cho nó, được gọi là chức năng kích hoạt, trong đó mô tả mức độ phù hợp hoặc tầm quan trọng của một tế bào neural cụ thể với lớp của một mạng neural.
Tế bào neural ẩn sử dụng hàm tang hyperbolic (tanh) cho các chức năng kích hoạt, trong khi các Tế bào neural đầu ra sử dụng một hàm sigmoid để kích hoạt. Cả hai chức năng là phi tuyến, chức năng liên tục cho phép các mạng neural để mô hình hóa các mối quan hệ phi tuyến giữa đầu vào và đầu ra Tế bào neural.