Метод нейронных сетей

Цель работы

Классифицировать данные с помощью метода искусственных нейронных сетей в аналитической платформе KNIME.

Задание

1. Для набора данных, включающих информацию о икре реализовать классификацию методом нейронных сетей опорных векторов.

2. Выполнить оценку качества классификации.

Ход работы

На рисунке 1 представлена созданная модель.

[pic 1]

Рисунок 1 – Схема модели

Для выполнения работы рассмотрен набор данных, содержащий информацию о икре. В данном наборе находится 75 записей, с атрибутами:

– Содержание омега-3 жирных кислот (Граммы)

– Содержание белка (Граммы)

– Содержание соли (Граммы)

– Калорийность (Килокалории)

– Содержание йода (Микрограммы)

У каждого класса есть характерные интервалы значений:

Чёрная икра является символом элитного потребления. Вкус чёрной икры тонкий и утончённый, с мягкими солёными и ореховыми нотками, иногда с лёгким послевкусием йода или моря. Икринки мелкие или средние, упругие, маслянистые, и при укусе они лопаются, создавая характерное ощущение во рту.

Красную икру часто воспринимают как деликатес. Вкус у неё яркий и насыщенный, с выраженной солёностью и рыбным послевкусием. Икринки крупные, упругие, с характерным «взрывом» при разжёвывании, что придаёт блюду особую текстуру.

Частиковая икра относится к более доступным и бюджетным вариантам икры. Вкус у частиковой икры менее интенсивный, с умеренной солёностью и выраженными рыбными нотками. Икринки мельче, чем у красной или чёрной икры, мягче по текстуре. Потребители ценят её за натуральность.

На рисунке 2 представлен узел Partitioning с настроенными параметрами разделения данных.

[pic 2]

Рисунок 2 – Узел Partitioning

На рисунке 3 представлен узел PRrop MLP Learner с настроенными параметрами. Где максимальное количество итераций – 100, количество скрытых слоев – 3 и количество нейронов в скрытых слоях – 10.