Comment prédictive analyse des réseaux neuronaux travail

Un algorithme complexe utilisé pour l'analyse prédictive, le réseau neuronal, est biologiquement inspiré par la structure du cerveau humain. Un réseau de neurones fournit un modèle très simple en comparaison au cerveau humain, mais il fonctionne assez bien pour nos fins.

Largement utilisé pour la classification de données, réseaux de neurones processus de passé et les données actuelles pour estimer les valeurs futures - de découvrir des corrélations complexes cachés dans les données - d'une manière analogue à celle employée par le cerveau humain.

Les réseaux neuronaux peuvent être utilisés pour faire des prédictions sur les données de séries chronologiques telles que les données météorologiques. Un réseau de neurones peut être conçu pour détecter motif dans les données d'entrée et produire une sortie exempte de bruit.

La structure d'un algorithme de réseau de neurones comporte trois couches:

• La couche d'entrée RSS valeurs de données passées dans le prochain (caché) couche. Les cercles noirs représentent nœuds du réseau de neurones.

• La couche cachée encapsule plusieurs fonctions complexes qui créent predictors- souvent ces fonctions sont cachées à l'utilisateur. Un ensemble de nœuds (cercles noirs) à la couche cachée représente fonctions mathématiques qui modifient l'entrée de données Ces fonctions sont appelées neurones.

• La couche de sortie recueille les prévisions faites dans la couche cachée et produit le résultat final: la prédiction du modèle.

  

Voici un aperçu de plus près comment un réseau de neurones peut produire une sortie prévue à partir de données d'entrée. La couche cachée est l'élément clé d'un réseau de neurones à cause des neurones il contains- ils travaillent ensemble pour faire les grands calculs et produire la sortie.

Chaque neurone prend un ensemble de valeurs- chaque entrée est associée à un poids (plus à ce sujet dans un instant) et une valeur numérique connue sous le nom préjugé. La sortie de chaque neurone est une fonction de la sortie de la somme pondérée de chaque entrée ainsi que la polarisation.

La plupart des réseaux de neurones utilisent des fonctions mathématiques pour activer les neurones. UN fonction en mathématiques est une relation entre un ensemble d'entrées et un ensemble de sorties, avec la règle que chaque entrée correspond à une sortie.

Par exemple, considérons la fonction négative où un nombre entier peut être une entrée et la sortie est son équivalent négatif. En substance, une fonction en mathématiques fonctionne comme une boîte noire qui prend une entrée et produit une sortie.

Les neurones dans un réseau de neurones peuvent utiliser sigmoïde fonctions pour correspondre les entrées aux sorties. Lorsqu'il est utilisé de cette façon, une fonction sigmoïde est appelée fonction logistique et sa formule ressemble à ceci:

F(contribution) = 1 / (1 + e^sortie)

Ici F est le fonction d'activation qui active le neurone, et e est une constante mathématique largement utilisée qui a la valeur approchée de 2,718.

Vous pourriez vous demander pourquoi une telle fonction est utilisée dans les neurones. Eh bien, la plupart des fonctions sigmoïdes ont dérivés qui sont positifs et facile à calculer. Ils sont en continu, peut servir de types de fonctions de lissage, et sont aussi délimités fonctions.

Cette combinaison de caractéristiques, unique aux fonctions sigmoïde, est vital pour le fonctionnement d'un algorithme de réseau neuronal - surtout quand un calcul dérivé - tels que le poids associé à chaque entrée d'un neurone - est nécessaire.

Le poids de chaque neurone est une valeur numérique qui peut être obtenu en utilisant soit une formation supervisée ou non supervisée formation telle que le clustering de données.

• Dans le cas de la formation supervisée, les poids sont calculés en alimentant les entrées et sorties à l'algorithme échantillons jusqu'à ce que les poids sont écoute (qui est, il ya un match presque parfait entre les entrées et sorties).

• Dans le cas de la formation sans surveillance, le réseau neuronal est seulement présenté avec l'algorithme génère des ENTREES leurs sorties correspondantes. Lorsque les algorithmes sont présentés avec des entrées de nouvelles, mais-même et l'algorithme produit des nouvelles sorties qui sont semblables aux sorties précédentes, puis les poids des neurones ont été réglés.

Les réseaux de neurones ont tendance à avoir une grande précision, même si les données ont une quantité importante de bruit. Voilà une Advantage- majeur lorsque la couche cachée peut encore découvrir les relations dans les données malgré le bruit, vous pourriez être en mesure d'utiliser les données inutilisables autrement-.

Un inconvénient des algorithmes de réseaux de neurones est que la précision de la prédiction peut être valable que dans la période de temps pendant laquelle les données de formation ont été recueillies.