Особливості навчання проекту

Можливі два варіанти відносин між класами: які перетинаються та які не перетинаються. Якщо система навчена так, що класи не перетинаються (С та В) або перетинаються в дуже малій зоні (А та В), то помилок при оцінюванні не буде та спроможність розпізнавати властивостей буде максимальною. Якщо класи перетинаються (А та С), то системі буде важко прийняти рішення для об’єкту з зони перетину (зверніть увагу при поодинокому розрахунку на наявність пошти однакових інтегральних характеристик об’єкту в різних класах – має місце перетин класів та велика вірогідність помилки системи).

Особливістю навчання задачі класифікації є наявність додаткової панелі графічного перегляду еталонів у нижній правій частині діалогового вікна редактора еталонів. Вона призначена для перегляду еталонів властивості, яку редагуємо в інших класах. Панель графічного перегляду еталонів складається з:

− комбінована панель вибору ім’я класу, для котрого Ви бажаєте переглянути еталон властивості, яку редагуємо;

− панелі візуалізації функції міри виразу.

Для перегляду еталонів даної властивості оберіть в комбінованій панелі вибору відповідне ім’я класу.

В задачі класифікації еталони вважаються добре сформованими та будуть мати високу спроможність розпізнавати, якщо при накладанні один на одного еталонів однієї властивості різних класів площа перетину буде мінімальна. Можливість відстежувати ідентичність еталонів дає панель графічного редагування.

Після формування еталонів оцініть якість навчання (" Обучение|Анализ "). При низькій спроможності розпізнавання радимо редагування еталонів с ціллю її підвищення. Детальніше це описано нижче.

Аналіз еталонів

В задачі класифікації, на основі порівняння еталонів різних класів, можливо отримати інформацію для аналізу встановлених ваг вимог та спроможності розпізнавання окремих властивостей. Для цього оберіть пункт меню " Обучение|Анализ ". На робочому полі  Expek Pro з’явиться вікно аналізу еталонів. Це вікно багатодокументного інтерфейсу уявляє собою таблицю. Перший стовпчик містить список властивостей, далі іде стільки стовпчиків, скільки класів розпізнається в задачі. Кожний зі стовпчиків містить дві колонки цифр: сумарну вагу властивості в даному класі та вагу, яку пропонує система для підвищення якості розпізнавання. В стовпчику "Распознающая способность" значення в відсотках показують, як точно та чи інша властивість розпізнає належність об’єкта тому чи іншому класу.

 

Особливості множинного розрахунку

Зробивши множинний розрахунок, Ви отримаєте n+1 стовпчиків, де n – кількість класів, в яких система оцінить об’єкти в кожному класі окремо та прийме рішення про належність кожного з об’єктів тому чи іншому класу (стовпчик "Решение"). Проаналізувавши інтегральні характеристики об’єкта за класами, слід звернути увагу, якщо об’єкт в різних класах має значення, які мало відрізняються – це свідчить про можливість помилки в прийнятті рішення про належність об’єкта до класу.

Для вияву помилок пропонують системі оцінити контрольну вибірку об’єктів, для яких відома належність до класу та порівнюють рішення системи з відомим (правила формування контрольної вибірки див. в теоретичних відомостях до лабораторної роботи №3). Якщо система зробила помилку, слід відстежити, використовуючи поодинокий розрахунок, в якому класі помилка та яка властивість (або властивості) чинять найбільший вплив. Відношення кількості помилок до кількості об’єктів в контрольній вибірці є імовірністю помилки системи. Розраховують за класами (імовірність помилки в кожному класі) та в цілому системи.

В контрольній роботі кількість об ’ єктів в базі даних, на яких будуть розпізнаватися класи повинно бути у 3 – 4 рази більше кількості класів.

⇐ Предыдущая1234567Следующая ⇒

Поделиться: