多层神经网络模型的优化探索.pptxVIP

下载本文档

4
0
约3.81千字
约 12页
2023-05-15 发布于湖北
举报
版权申诉

多层神经网络模型的优化探索.pptx

1、本文档共12页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

深度神经网络模型的优化探索Optimal exploration of Deep Neural Networks model华中科技大学同济医学院公共卫生学院熊光练2017.9人工智能研究深度神经网络模型原理影响深度神经网络模型预测效果的主要因素1、模型隐含层的数量，即层数；2、各隐含层的隐含变量数；3、各变量的最大观察数；4、输入的训练样本质量；5、输入的训练样本自变量；6、预测样本的样本质量模型的内在参数模型的决定因素预测效果模型决定因素的优化探索+DNN+DNN训练集决定因素(样本质量)的筛选优化上述过程迭代,直到达到训练集预测精度建立DNN预测模型建立适合DNN模型的样本分类模型,用于提高测试集预测精度+DNN建立分类的DNN预测模型利用建立的分类DNN预测模型对测试集进行样本质量遴选DNN分类模型预测选择分类模型预测等于1的测试集样本,再进行DNN模型预测DNNDNN预测模型训练集样本含量迭代次数训练集符合率测试集符合率训练集分类符合率测试集分类符合率100010.9850 0.613120.9929 0.62191.0000 0.6232 200010.9910 0.70471.0000 0.7062 300010.9983 0.78051.0000 0.7818 400010.9968 0.79461.0000 0.7956 500010.9978 0.81651.0000 0.8171 600010.9978 0.83491.0000 0.8354 700010.9981 0.85131.0000 0.8525 800010.9970 0.85711.0000 0.8587 900010.9977 0.86121.0000 0.8621 1000010.9975 0.86411.0000 0.8646 2000010.9937 0.90430.9994 0.9051 3000010.9830 0.900320.9868 0.908530.9956 0.91920.9995 0.9231 4000010.9908 0.92750.9990 0.9285 5000010.9831 0.922720.9889 0.928130.9942 0.93480.9928 0.9401 6000010.9805 0.924620.9881 0.934330.9974 0.93610.9886 0.9440 模型决定因素的优化探索试验结果测试集样本含量 10000 模型决定因素的优化探索路径训练集DNN模型决定因素的优化优化后的DNN模型符合模型的样本不符合模型的样本建立分类DNN模型测试集分类预测符合模型的样本不符合模型的样本DNN模型预测预测结果其他用途其他用途(模型内在参数优化) DNN模型应用1、筛选“脏样本数据”；2、筛选“有效自变量”；3、所谓“脏样本”可用另外的DNN模型进行分析。DNN模型优化探索启示1、存在“脏样本数据”；2、同理存在“有效自变量”假说；3、训练集样本量大可以提高预测效果； rm(list=ls())library(h2o)h2o.init() x1-read.csv(C:/Users/Administrator/Desktop/mnist_train.csv,header = F)x2-read.csv(C:/Users/Administrator/Desktop/mnist_test.csv,header = F)dependent_Variable_ID-1 #因变量指定Independent_Variable_ID-setdiff(c(1:ncol(x1)),dependent_Variable_ID) #自变量确定agreement_rate_train-0i-0ctl_agree-c(1:nrow(x1))while(agreement_rate_train0.99){ train_data-as.h2o(x1[ctl_agree,]) dl_model-h2o.deeplearning(x=Independent_Variable_ID, y=dependent_Variable_ID, training_frame = train_data, hidden = c(100,100,100), epochs = 100 ) yhat_train - h2o.predict(dl_model, train