Интерпретация результатов многослойного перцептронного моделирования на Weka - PullRequest
Новая
       14

Интерпретация результатов многослойного перцептронного моделирования на Weka

3 голосов
/ 17 марта 2012

Я создаю модель мощности, используя Многослойный Персептрон на Weka, который представляет собой набор инструментов для статистики.

Weka показывает следующую модель генерируемой мощности, однако я не знаю, как ее интерпретировать.

Как рассчитать прогнозируемое значение, используя эту модель, сгенерированную Weka? Я хочу знать, как рассчитать это вручную с моделью.

Спасибо. 

=== Classifier model (full training set) ===

Linear Node 0
    Inputs    Weights
    Threshold    -0.040111709313733535
    Node 1    -1.8468414006209548
    Node 2    0.8245441127585728
    Node 3    -0.6384807874184006
    Node 4    -0.7484784535220612
Sigmoid Node 1
    Inputs    Weights
    Threshold    -0.24446294747264816
    Attrib CPU-User    -0.608249350584644
    Attrib CPU-System    0.13288901868419942
    Attrib CPU-Idle    1.0072001456456134
    Attrib GPS    0.39886318520181463
    Attrib WIFI    2.661390547312707
    Attrib Disk-Write    3.3144190265114104
    Attrib Screen    -0.18379082022126372
Sigmoid Node 2
    Inputs    Weights
    Threshold    -0.04552879905091134
    Attrib CPU-User    1.2010400180021503
    Attrib CPU-System    -0.415901207849663
    Attrib CPU-Idle    -1.8201808907618635
    Attrib GPS    0.3297713837591742
    Attrib WIFI    2.670046643619425
    Attrib Disk-Write    1.0132120671943607
    Attrib Screen    1.5785512067159402
Sigmoid Node 3
    Inputs    Weights
    Threshold    -7.438472914350278
    Attrib CPU-User    -6.382669043988483
    Attrib CPU-System    -1.6622872921207548
    Attrib CPU-Idle    -0.12729502604878612
    Attrib GPS    -0.9716992577028621
    Attrib WIFI    0.6911695390337304
    Attrib Disk-Write    -1.1769266028873722
    Attrib Screen    0.5101113538728531
Sigmoid Node 4
    Inputs    Weights
    Threshold    -5.509838959208244
    Attrib CPU-User    -0.3709271557180943
    Attrib CPU-System    -1.7448007514288941
    Attrib CPU-Idle    -0.08176108597065958
    Attrib GPS    -1.0234447340811823
    Attrib WIFI    -1.5759133030274077
    Attrib Disk-Write    0.2376861365371351
    Attrib Screen    -1.5654514081278506
Class 
    Input
    Node 0


Time taken to build model: 0.81 seconds

=== Predictions ontest split===

inst#,    actual, predicted, error
     1 153727.273 169587.843  15860.57 
     2 159036.364 168657.043   9620.68 
     ....

Ответы [ 3 ]

3 голосов
/ 17 марта 2012

Эта презентация дает некоторые подробности об истории и уравнениях, используемых для нейронных сетей.Выходные данные Weka дают вам тип каждого узла, а также входные данные и веса.Вы должны быть в состоянии самостоятельно рассчитать числа, используя эту информацию.

1 голос
/ 07 апреля 2012

В случае многослойного персептрона в WEKA.Если вы не изменили топологию сети, все узлы в скрытом слое этой сети имеют сигмовидную форму, но выходные узлы являются линейными единицами.например.«Линейный узел 0» - это ваш выходной блок, а сигмовидные узлы с 1 по 4 - ваши 4 скрытых блока.Все приведенные значения являются вашими весами соединений.Вы можете использовать их для ручного расчета полученных результатов.

0 голосов
/ 05 августа 2014

Вопрос старый, но ответ может заинтересовать других.Обратите внимание, что по умолчанию Weka нормализует входные и выходные данные в диапазоне от -1 до 1, что часто повышает точность модели.Вам нужно будет масштабировать ваши входы до того же диапазона и масштабировать ваш выход из этого диапазона обратно в исходный диапазон.

Функция активации равна 1 / (1 + exp (-активация)) для не-линейные единицы.С более чем несколькими единицами это быстро становится беспорядочным, но вы можете получить правильный ответ.Также обратите внимание, что то, что Weka называет Threshold, в литературе также называется Bias и просто добавляется к активации модуля, к которому он присоединен.

...