taralino

Projektaufgabe

Abschließend kannst du anhand des folgenden Quellcodes eigene Erfahrungen mit dem Layout neuronaler Netze sammeln. Die Referenz, um insbesondere das Layout eines neuronalen Netzes zu definieren, findest du hier:

Zur Referenz

Nach der Definition des Layouts wird das neuronale Netz trainiert. Dabei kommen zwei Parameter zum Einsatz: die Anzahl der Iterationen (iterations) sowie die Losgröße (batch_size). Wie bereits erwähnt, gehen wir auf diese Parameter im nachfolgenden Kurs zur Trainingsphase neuronaler Netze genauer ein.

Um das (trainierte) neuronale Netz anschließend zu testen, kann auf die folgende Funktion zur Bestimmung der Konfusionsmatrix zurückgegriffen werden:

Zur Referenz

Im Quellcode wird zunächst ein neuronales Netz mit einer verborgenen Schicht bestehend aus vier Neuronen definiert, trainiert und getestet.

Quellcode

Es werden Trainings- und Testdaten erzeugt, bevor das neuronale Netz initialisiert und trainiert wird. Schließlich folgt eine Testphase, ausgeben wird die Konfusionsmatrix.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
</head>
<body>
<script>

// Trainings- und Testdaten
var X = ClassificationData.get(2000, {categories:3, shape:"mixed"});
var Y = ClassificationData.get(2000, {categories:3, shape:"mixed"});

// Initialisierung (Definition des Layouts)
NeuralNetwork.init([2, 4, 3]);

// Trainingsphase durchfuehren
NeuralNetwork.train(X, {iterations:4000, batch_size:20});

// Testen und Konfusionsmatrix ausgeben
NeuralNetwork.confusion_matrix(Y, {display:"on"});

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit dem Quellcode zuvor vertraut. Experimentiere anschließend, indem folgende Veränderungen vorgenommen werden:

Verändere die Anzahl der Neuronen der verborgenen Schicht.
Führe eine zweite verborgene Schicht ein und experimentiere auch hier mit der Anzahl der Neuronen.
Variiere den Umfang der Trainingsdaten: Verwende anstelle der 2000 Punkte einerseits nur 100 Punkte und andererseits 20 000 Punkte.
Ändere das Klassifikationsproblem dahingehend ab, sodass die Punkte in vier Klassen kategorisiert werden. Dazu muss die Option categories von 3 in 4 geändert werden. Achte darauf, dann auch die Anzahl der Ausgangsneuronen von 3 auf 4 geändert wird.

Welche Auswirkungen haben deine Veränderungen auf die Testphase? Wie viele Testdaten (Punkte) werden prozentual jeweils korrekt klassifiziert?