Page 161 - 4703

Крок 2.
У вікні Custom neural networks (рис.6.20) ми задаємо
складність мережі, яку маємо намір побудувати. В термінах
самоорганізованої карти Кохонена це означає, що нам необ-
хідно вказати розмірність топологічної карти. Чим менше еле-
ментів, тим менше особливостей ми можемо розпізнати за до-
помогою карти. З іншого боку, за наявності занадто великого
числа елементів на топологічній карті, ми ризикуємо отримати
«зазубрювання» навчальних даних.
Для кластерного аналізу є три вкладки SANN - Custom
Neural Network : Quick (Kohonen), Kohonen Training і Real time
training graph.
Quick (Kohonen) tab. На цій вкладці ви можете вказати
розміри топологічної карти (вихідний шар), який викладений у
вигляді прямокутної решітки. Зазначені розміри тут буде ви-
користовуватися в навчанні мережі і в наступних графіках,
наприклад, в графіку Кохонена.
У мереж SOFM є два шари: вхідний шар і вихідний шар -
топологічна карта. Вихідний шар мережі SOFM представле-
ний в двох вимірах: Ширині - Width і Висоті- Height (у пакеті
ST Neural Networks реалізовані також одновимірні мережі Ко-
хонена), якими ми задаємо розмірність топологічної карти.
Для цього прикладу встановимо топологічну висоту -
Height = 3 і топологічну ширину Width = 4 (рис.4), але, залеж-
но від вашого аналізу, можливо, буде потрібно змінити ці ве-
личини. Це додаткове рішення, яке потрібно зробити для клас-
терного аналізу - визначення розмірності топологічних карті.
Для більшості завдань визначення правильних розмірів мо-
жуть вимагати певної кількості проб і помилок. В нашому
прикладі відомо число груп помилок – 12, тому розмірність
топологічної карти вибрана 3х4.

161