Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


Приведем формальную схему алгоритма TREPAN


Исходные данные обученная нейронная сеть (Оракул)’, обучающая выборка — S; множество признаков -F, min_sample — минимальное множество вопросов для каждого узла дерева, baem_width — число ветвей.


Инициализируем корень дерева R в виде листа.


<Выборка векторов признаков>


Используем все обучающее множество примеров S для конструирования модели М R распределения входных векторов, достигающих узла R.


q: = max(0,min_ sample-£)


queryR‘.= множество из q примеров, генерируемых моделью МR .


<Используем нейронную сеть для классификации всех векторов признаков>


Для каждого вектора признаков х e(Su queryR ) узнаем у Оракула принадлежность х тому или иному классу — ставим метку класса х:= Oracle(x)


Осуществляем наилучшее первое расширение дерева>


Инициализируем очередь Queue , составленную из наборов (R,S,queryд,{})


До тех пор пока очередь Queue не пуста и глобальный критерий остановки не выполнен ссоздаем узел в начале очереди Queue >


удаляем ^узел N, SN, query , coustr ‘j из начала очереди Queue .


Используем F,SN , query v и beam_width для конструирования в узле N разветвления Т. <создаем узлы следующего поколений Для каждого ответвления t разветвления Т создаем С — новый дочерний узел N constrc: = constrN и {Т = t}


<выборка векторов для узла С>


Sc= члены S — с ответвлением t.


Конструируем модель М распределения примеров, покрываемых узлом С q: = max(0,min_sample-S |)


query(, = множество из q примеров, сгенерированных моделью М(, и ограничением


constrc


Для каждого вектора признаков х е queryс ставим метку класса х:= Oracle(x) <временно принимаем, что узел С является листом>

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»