Sieci neuronowe dla danych symbolicznych : perceptron wielowarstwowy

• Autorzy: Marcin Pełka

Warianty tytułu

Neural Networks for Symbolic Data : Multilayer Perceptron

• Języki publikacji: PL

Abstrakty

Celem artykułu jest zaprezentowanie metod transformacji zmiennych symbolicznych na potrzeby perceptronu wielowarstwowego (MLP) [Rossi, Conan-Guez 2002] oraz porównanie wpływu wyboru metody transformacji na błąd klasyfikacji na przykładzie zbiorów ze zmiennymi zakłócającymi i obserwacjami odstającymi. Perceptron wielowarstwowy dla danych symbolicznych wymaga, aby danymi wejściowymi były obiekty symboliczne opisywane wyłącznie przez zmienne w postaci przedziałów liczbowych. W artykule przedstawiono sposoby zamiany przedziałów liczbowych (transformacji) w liczby rzeczywiste na potrzeby perceptronu wielowarstwowego dla danych w ujęciu klasycznym. W części empirycznej artykułu porównano metody pozwalające na zastosowanie przedziałów liczbowych w MLP na przykładowych danych symbolicznych. Wykorzystano sztucznie wygenerowane zbiory obiektów opisywane przez zmienne symboliczne w postaci przedziałów liczbowych (z wykorzystaniem procedury cluster.Gen z pakietu clusterSim dla programu R), w tym także zbiory ze zmiennymi zakłócającymi i obserwacjami odstającymi (outliers). Do uczenia sieci neuronowej (perceptronu wielowarstwowego) wykorzystano pakiet neural dla programu R (procedury mlptrain i mlp). Do oceny wyników wykorzystano błąd średniokwadratowy (MSE). (fragment tekstu)

EN

The aim of this paper is to present and compare methods that allow to classify symbolic data with application of multilayer perceptron. In the article, basic terms of neural networks and transformation methods of symbolic interval-valued variables are presented. The article presents and compares in the empirical part simulation experiment results based on artificial data generated with application of cluster.Gen procedure from cluster.Sim package for R software. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Analiza danych; Podejście wielomodelowe

EN

Neural networks; Data analysis; Multiple-model approach

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 223--230

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Analysis of symbolic data. Explanatory methods for extracting statistical information from complex data (2000), red. H.-H. Bock, E. Diday, Springer-Verlag, Berlin-Heidelberg.
• Duda R.O., Hart P.E., Stork D.G. (2001), Pattern Classification, John Wiley and Sons, Indianapolis.
• Gatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Rossi F., Conan-Guez B. (2002), Multi-layer perceptron on interval data, [w:] Classification, clustering and data analysis, red. K. Jajuga, A. Sokołowski, H.-H. Bock, Springer-Verlag, Berlin-Heidelberg, s. 427-436.