taralino

Zwischenstand

Dieser Abschnitt dient als kleine Zusammenfassung der bisherigen Konzepte. Insbesondere geht es auch darum, wie die Ergebnisse einer Testphase für das zuvor beschriebene Klassifikationsproblem veranschaulicht werden können. Wir beginnen mit den Datensätzen:

Die Abbildung zeigt die Trainingsdaten (links) sowie die Testdaten (rechts), jeweils bestehend aus 2000 Punkten, die wie zuvor generiert wurden. Das Ergebnis der Testphase kann folgendermaßen veranschaulicht werden:

Die 2000 Eingangsdaten sind jeweils identisch (also exakt gleiche Punkte wie in der ersten Abbildung rechts), die Farben veranschaulichen nun aber jeweils das Klassifikationsergebnis des (zuvor trainierten) neuronalen Netzes. Um noch deutlicher hervorzuheben, welche Punkte korrekt klassifiziert wurden, nutzen wir auch die Darstellungsmöglichkeit rechts: Auch hier sind die Punkte der Testmenge dargestellt, wobei korrekt klassifizierte Punkte in cyan und falsch klassifizierte Daten in orange gezeichnet wurden. Mit anderen Worten bedeutet dies: Je weniger orange, desto zufriedenstellender ist die Lösung des Klassifikationsproblems. Im dargestellten Beispiel wurden 1711 der 2000 Testdaten korrekt klassifiziert.

Implementierung

Beispiel-Quellcode, um die Trainings- sowie Testphase der zuvor besprochenen Klassifikationsaufgabe auch anhand einer kurzen Implementierung zu verstehen.

<!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 erzeugen
var X = ClassificationData.get(2000, {categories:3, shape:"mixed"});
var Y = ClassificationData.get(2000, {categories:3, shape:"mixed"});

// Neuronales Netz initialisieren und trainieren
NeuralNetwork.init([2, 4, 3]);
NeuralNetwork.train(X, {iterations:4000, batch_size:20});

// Testen und Ergebnisse darstellen
Canvas.init([0,1], [0,1], {width:320, background:"lightgrey"});
for (var k = 0; k < Y.length; k++) {
  var r = NeuralNetwork.evaluate(Y[k].input, {output:"index"});
  var color = "orange";
  if (r == Y[k].index) color = "cyan";
  Canvas.circle(Y[k].input[0], Y[k].input[1], 0.01, {fill:color});
};

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

Vorschau Download Kopie speichern

In der Implementierung zuvor werden zunächst Trainings- sowie Testdaten auf die gleiche Art und Weise erzeugt. Anschließend wird das neuronale Netz definiert bzw. initialisiert: Dieses besteht aus zwei Eingangsneuronen, gefolgt von einer Schicht mit vier Neuronen sowie schließlich drei Ausgangsneuronen.

Nachfolgend wird das neuronale Netz unter Verwendung der Trainingsdaten X trainiert. Dabei kommen zwei Parameter zum Einsatz: die Anzahl der Iterationen sowie die Losgröße (Batchsize). Auf diese beiden Parameter der Trainingsphase gehen wir im Kurs zur Trainingsphase neuronaler Netze genauer ein.

Abschließend wird das neuronale Netz getestet. Genauer werden alle Datensätze der Testmenge Y (am zuvor trainierten) neuronalen Netz ausgewertet und dargestellt. Je nachdem, ob das Klassifikationsergebnis korrekt ist oder nicht, werden die Punkte in cyan bzw. orange veranschaulicht.

Um die verwendeten Befehle und Funktionen des NeuralNetwork-Pakets genauer zu verstehen, sei auf die Referenz verwiesen:

Zur Referenz