当前课程知识点:数据挖掘 > 第7章 分类 > 7.5 神经网络 > 7.5 神经网络(下)
例 BP神经网络分类实例
如图给出了一个多层前馈神经网络
令学习率为0.9
第一个训练元组X={1,0,1}
其类标号为1
初始权重和偏移如表所示
BP神经网络分类模型的训练过程
使用BP神经网络分类模型训练
给定第一个训练元组X
该例给出后向传播计算过程
把该元组提供给网络
计算每个单元的净输入和输出
以及每个单元的误差
并后向传播
一 计算输入层每个单元的
净输入和净输出
输入层每个单元的净输出等于净输入
I1=1 I2=0 I3=1
O1=I1=1 O2=I2=0 O3=I3=1
二 计算隐藏层及输出层每个单元的
净输入及净输出
先计算隐藏层的净输入和净输出
根据前面计算Ij和Oj的计算公式
计算I4 J5 O4 O5如下
I4=w14×O1+w24×O2+w34×O3+θ4
=0.2×0+0.3×1+(-0.5)×0+(-0.4)=-0.6
I5计算结果为0.3
O4计算结果为0.354
O5计算结果为0.574
再计算输出层的净输入I6
和净输出O6
如下
I6计算结果为0.109
O6计算结果为0.527
三 计算输出层及隐藏层的误差
先计算输出层误差Err6
再计算隐藏层误差Err4和Err5
如下所示
Err6=O6 (1-O6)(T6-O6)
计算结果为0.1179
Err4=O4 (1-O4)Err6 w46
= (0.354)×(1-0.354)×(0.1179)×(-0.3)
计算结果为-0.0081
Err5=O5(1-O5)Err6w56
=(0.574)×(1-0.574)×(0.1179)×(0.2)
计算结果为0.0058
四 更新权重
先计算权重的增量
再计算权重的更新值
按后向顺序计算
计算结果如下
Δw46=(l)Err6O4
=(0.9)×(0.1179)×(0.354)
计算结果为0.0376
w46=w46+Δw46
=(-0.3)+0.0376=-0.262
同理可以计算Δw56
计算结果为0.0609
w56计算结果为0.261
Δw14计算结果为0
w14计算结果为0.2
Δw15计算结果为0
w15=计算结果为-0.5
Δw24计算结果为-0.0073
w24计算结果为0.293
Δw25计算结果为0.0052
w25计算结果为0.095
Δw34计算结果为-0.0073
w34计算结果为-0.507
Δw35计算结果为0.0052
w35计算结果为0.205
五 更新偏移
先计算偏移的增量
再计算偏移的更新
按后向顺序计算
如下所式
Δθ6=(I)Err6
=(0.9)×(0.1179)
计算结果为0.1061
θ6=θ6+Δθ6
=0.1+0.1061
计算结果为0.206
同理可以计算Δθ5
计算结果为0.0052
θ5计算结果为0.205
Δθ4计算结果为-0.0073
θ4计算结果为-0.407
以上为一个训练元组的训练过程
可以根据预先设置的终止条件
判断该元组的训练是否终止
构建模型时需要将所有元组
均输入网络中训练
以构建模型并评估
正确率能够接收后
可以用此模型对未知元组进行预测
为了对未知元组X分类
把该元组输入到训练过的网络
计算每个单元的净输入和输出
如果每个类有一个输出结点
则具有最高输出值的结点
决定X的预测类标号
如果只有一个输出结点
则输出值大于或等于0.5
可以视为正类
而值小于0.5可以视为负类
-1.1 数据分析与数据挖掘
-1.2 分析与挖掘的数据类型
-1.3 数据分析与数据挖掘的方法
-1.4 数据分析与数据挖掘使用的技术
-1.5 应用场景及存在的问题
-第1章 作业1
-第1章 作业2
-2.1 数据的属性
-- 2.1 数据的属性
-2.2 数据的基本统计描述
-2.3 数据的相似性和相异性
-第2章 作业1
-第2章 作业2
-3.1 数据存在的问题
--数据存在的问题
-3.2 数据清理
--3.2 数据清理
--数据清理
-3.3 数据集成
--3.3 数据集成
--数据集成
-3.4 数据归约
--3.4 数据规约
--数据归约
-3.5 数据变换与数据离散化
-第3章 作业1
-第3章 作业2
-4.1 数据仓库基本概念
--数据仓库基本概念
-4.2 数据仓库设计
--数据仓库设计
-4.3 数据仓库实现
--数据仓库实现
-4.4 联机分析处理
--联机分析处理
-4.5 元数据模型
--元数据模型
-第4章 作业1
-第4章 作业2
-5.1 回归分析的基本概念
-5.2 一元线性回归
--一元线性回归
-5.3 多元线性回归
--多元线性回归
-5.4 多项式回归
--多项式回归
-第5章 作业1
-第5章 作业2
-6.1 概述
--频繁模式概述
-6.2 Apriori算法
-6.3 FP-growth算法
-6.4 压缩频繁项集
--压缩频繁项集
-6.5 关联模式评估
--关联模式评估
-第6章 作业1
-第6章 作业2
-7.1 分类概述
--7.1 分类概述
--分类概述
-7.2 决策树
--决策树
-7.3 朴素贝叶斯分类
--朴素贝叶斯分类
-7.4 惰性学习法
-7.5 神经网络
--神经网络
-7.6 分类模型的评估
--分类模型的评估
-第7章 第一部分作业2(研究生班级)
-第7章 第二部分作业2
-第7章 第二部分作业1
-8.1 聚类概述
--8.1 聚类概述
--聚类概述
-8.2 基于划分的聚类
--基于划分的聚类
-8.3 基于层次的聚类
--基于层次的聚类
-8.4 基于密度的聚类
--基于密度的聚类
-8.5 基于网格的聚类
--基于网格的聚类
-第8章 作业1
-第8章 作业2
-9.1 离群点定义与类型
-9.2 离群点检测
--离群点检测
-第9章 作业1
-第9章 作业2