Como Análise Preditiva Redes Neurais Trabalho
Um algoritmo complexo usado para análise preditiva, a rede neural, é biologicamente inspirado na estrutura do cérebro humano. Uma rede neural fornece um modelo muito simples em comparação com o cérebro humano, mas funciona bem o suficiente para os nossos objectivos.
Amplamente utilizado para classificação de dados, neural passado processo de redes e dados atuais para estimar os valores futuros - descobrir quaisquer correlações complexas escondidos nos dados - de forma análoga à utilizada pelo cérebro humano.
As redes neurais podem ser usados para fazer previsões sobre dados de séries temporais, tais como dados meteorológicos. Uma rede neural pode ser concebido para detectar padrão em dados de entrada e produzir uma saída livre de ruído.
A estrutura de um algoritmo de rede neural tem três camadas:
A camada de entrada alimenta valores de dados passados para a próxima camada (oculto). Os círculos pretos representam nós da rede neural.
A camada oculta encapsula várias funções complexas que criam predictors- muitas vezes essas funções são escondidos do usuário. Um conjunto de nodos (círculos negros) à camada oculta representa funções matemáticas que modificam a entrada de dados estas funções são chamadas neurônios.
A camada de saída recolhe as previsões feitas na camada oculta e produz o resultado final: previsão do modelo.
Aqui está uma olhada em como uma rede neural pode produzir uma saída previsto a partir de dados de entrada. A camada oculta é o componente chave de uma rede neural por causa dos neurônios que contains- eles trabalham juntos para fazer os principais cálculos e produzir a saída.
Cada neurónio tem um conjunto de entrada de valores- cada um está associado com um peso (Mais sobre isso em um momento) e um valor numérico conhecido como viés. A saída de cada neurónio é uma função da saída de a soma ponderada de cada entrada mais o viés.
A maioria das redes neurais usar funções matemáticas para ativar os neurônios. UMA função em matemática é uma relação entre um conjunto de entradas e um conjunto de saídas, com a regra de que cada entrada corresponde a uma saída.
Por exemplo, considere a função negativa, onde um número inteiro pode ser uma entrada e a saída é o seu equivalente negativo. Em essência, uma função em matemática funciona como uma caixa preta que tem uma entrada e produz uma saída.
Os neurónios em uma rede neural pode usar sigmóide funções para combinar entradas e saídas. Quando usado dessa maneira, uma função sigmóide é chamado um função logística e sua fórmula parece com isso:
f(entrada) = 1 / (1 + Esaída)
Aqui f é o função de ativação que ativa o neurônio, e e é uma constante matemática amplamente utilizado que tem o valor aproximado de 2.718.
Você pode se perguntar por que tal função é usada em neurônios. Bem, a maioria das funções sigmóide tem derivados que são positivas e fácil de calcular. Eles são contínua, pode servir como tipos de funções de alisamento, e também são limitadas funções.
Esta combinação de características, exclusivo para funções sigmóide, é vital para o funcionamento de um algoritmo de rede neural - especialmente quando um cálculo derivado - como o peso associado a cada entrada para um neurônio - é necessário.
O peso de cada neurônio é um valor numérico que pode ser derivado utilizando qualquer estágio supervisionado ou treinamento sem supervisão, como agrupamento de dados.
No caso da formação supervisionado, os pesos são derivadas pela alimentação de entradas e saídas de amostra para o algoritmo até que os pesos são sintonizado (Isto é, não há uma correspondência quase perfeita entre entradas e saídas).
No caso do treinamento não supervisionado, a rede neural é apresentada apenas com inputs- o algoritmo gera as suas saídas correspondentes. Quando os algoritmos são apresentados com entradas novas-but-semelhante e o algoritmo produz novos resultados que são semelhantes aos resultados anteriores, em seguida, os pesos dos neurónios foram afinadas.
As redes neurais tendem a ter alta precisão, mesmo se os dados tem uma quantidade significativa de ruído. Isso é um grande advantage- quando a camada oculta ainda pode descobrir relações nos dados, apesar de ruído, você pode ser capaz de usar dados de outra forma-inutilizáveis.
Uma desvantagem dos algoritmos de rede neural é que a precisão da previsão pode ser válida apenas dentro do período de tempo durante o qual os dados de treinamento foi recolhida.