Putting Einschränkung für Ausgänge neuronalen Netzwerks in Rapidminer

Question

Ich entwickle ein einfaches neuronales Netzwerk-Modell in Rapidminer die Zahl der Autos auf einer Autobahn jede Stunde vorbei zu prognostizieren. Wie es offensichtlich ist, sind am frühen Morgen (von 2:00 Uhr morgens bis 6:00 Uhr morgens) wenige Autos auf der Autobahn und irgendwann mein Modell sagt die Anzahl der Autos negativ (wie -2 oder -3), was ist verständlich statistisch, aber ist nicht cool, wenn Sie es irgendwo berichten möchten.

Ich bin auf der Suche nach einer Möglichkeit, Einschränkung auf dem Modell zu setzen, so dass es nur positive Zahlen vorhersagen würde. Wie kann ich das machen?

Dank

Answer 1

Es kommt immer auf die Daten und was wollen Sie tun, aber ein Ansatz ist, um die Zahlen zu Polynomen zu konvertieren. Also wird 0 die Zeichenkette "0", 1 wird "1" und so weiter. Dies zwingt das neuronale Netzwerk, die verfügbaren Werte allein zu verwenden.

Hier ist ein Beispiel Prozess Dummy-Daten verwenden.

<?xml version="1.0" encoding="UTF-8"?><process version="7.3.001"> 
    <context> 
    <input/> 
    <output/> 
    <macros/> 
    </context> 
    <operator activated="true" class="process" compatibility="7.3.001" expanded="true" name="Process"> 
    <process expanded="true"> 
     <operator activated="true" class="subprocess" compatibility="7.3.001" expanded="true" height="82" name="Subprocess" width="90" x="246" y="34"> 
     <process expanded="true"> 
      <operator activated="true" class="generate_data" compatibility="7.3.001" expanded="true" height="68" name="Generate Data" width="90" x="45" y="34"> 
      <parameter key="target_function" value="polynomial"/> 
      <parameter key="attributes_lower_bound" value="0.0"/> 
      <parameter key="attributes_upper_bound" value="3.0"/> 
      </operator> 
      <operator activated="true" class="normalize" compatibility="7.3.001" expanded="true" height="103" name="Normalize" width="90" x="179" y="34"> 
      <parameter key="attribute_filter_type" value="single"/> 
      <parameter key="attribute" value="label"/> 
      <parameter key="include_special_attributes" value="true"/> 
      <parameter key="method" value="range transformation"/> 
      <parameter key="max" value="4.99"/> 
      </operator> 
      <operator activated="true" class="real_to_integer" compatibility="7.3.001" expanded="true" height="82" name="Real to Integer" width="90" x="313" y="34"> 
      <parameter key="attribute_filter_type" value="single"/> 
      <parameter key="attribute" value="label"/> 
      <parameter key="include_special_attributes" value="true"/> 
      </operator> 
      <connect from_op="Generate Data" from_port="output" to_op="Normalize" to_port="example set input"/> 
      <connect from_op="Normalize" from_port="example set output" to_op="Real to Integer" to_port="example set input"/> 
      <connect from_op="Real to Integer" from_port="example set output" to_port="out 1"/> 
      <portSpacing port="source_in 1" spacing="0"/> 
      <portSpacing port="sink_out 1" spacing="0"/> 
      <portSpacing port="sink_out 2" spacing="0"/> 
     </process> 
     </operator> 
     <operator activated="true" class="numerical_to_polynominal" compatibility="7.3.001" expanded="true" height="82" name="Numerical to Polynominal" width="90" x="380" y="34"> 
     <parameter key="attribute_filter_type" value="single"/> 
     <parameter key="attribute" value="label"/> 
     <parameter key="include_special_attributes" value="true"/> 
     </operator> 
     <operator activated="true" class="concurrency:cross_validation" compatibility="7.3.001" expanded="true" height="145" name="Validation" width="90" x="514" y="34"> 
     <parameter key="sampling_type" value="shuffled sampling"/> 
     <process expanded="true"> 
      <operator activated="true" class="neural_net" compatibility="7.3.001" expanded="true" height="82" name="Neural Net" width="90" x="323" y="34"> 
      <list key="hidden_layers"/> 
      </operator> 
      <connect from_port="training set" to_op="Neural Net" to_port="training set"/> 
      <connect from_op="Neural Net" from_port="model" to_port="model"/> 
      <portSpacing port="source_training set" spacing="0"/> 
      <portSpacing port="sink_model" spacing="0"/> 
      <portSpacing port="sink_through 1" spacing="0"/> 
     </process> 
     <process expanded="true"> 
      <operator activated="true" class="apply_model" compatibility="7.3.001" expanded="true" height="82" name="Apply Model" width="90" x="45" y="34"> 
      <list key="application_parameters"/> 
      </operator> 
      <operator activated="true" class="performance" compatibility="7.3.001" expanded="true" height="82" name="Performance" width="90" x="179" y="34"/> 
      <connect from_port="model" to_op="Apply Model" to_port="model"/> 
      <connect from_port="test set" to_op="Apply Model" to_port="unlabelled data"/> 
      <connect from_op="Apply Model" from_port="labelled data" to_op="Performance" to_port="labelled data"/> 
      <connect from_op="Performance" from_port="performance" to_port="performance 1"/> 
      <connect from_op="Performance" from_port="example set" to_port="test set results"/> 
      <portSpacing port="source_model" spacing="0"/> 
      <portSpacing port="source_test set" spacing="0"/> 
      <portSpacing port="source_through 1" spacing="0"/> 
      <portSpacing port="sink_test set results" spacing="0"/> 
      <portSpacing port="sink_performance 1" spacing="0"/> 
      <portSpacing port="sink_performance 2" spacing="0"/> 
     </process> 
     </operator> 
     <operator activated="true" class="nominal_to_numerical" compatibility="7.3.001" expanded="true" height="103" name="Nominal to Numerical (2)" width="90" x="715" y="136"> 
     <parameter key="attribute_filter_type" value="subset"/> 
     <parameter key="attribute" value="label"/> 
     <parameter key="attributes" value="prediction(label)|label"/> 
     <parameter key="include_special_attributes" value="true"/> 
     <parameter key="coding_type" value="unique integers"/> 
     <list key="comparison_groups"/> 
     </operator> 
     <connect from_op="Subprocess" from_port="out 1" to_op="Numerical to Polynominal" to_port="example set input"/> 
     <connect from_op="Numerical to Polynominal" from_port="example set output" to_op="Validation" to_port="example set"/> 
     <connect from_op="Validation" from_port="model" to_port="result 1"/> 
     <connect from_op="Validation" from_port="example set" to_port="result 2"/> 
     <connect from_op="Validation" from_port="test result set" to_op="Nominal to Numerical (2)" to_port="example set input"/> 
     <connect from_op="Validation" from_port="performance 1" to_port="result 4"/> 
     <connect from_op="Nominal to Numerical (2)" from_port="example set output" to_port="result 3"/> 
     <portSpacing port="source_input 1" spacing="0"/> 
     <portSpacing port="sink_result 1" spacing="0"/> 
     <portSpacing port="sink_result 2" spacing="0"/> 
     <portSpacing port="sink_result 3" spacing="0"/> 
     <portSpacing port="sink_result 4" spacing="0"/> 
     <portSpacing port="sink_result 5" spacing="0"/> 
    </process> 
    </operator> 
</process> 

Er erstellt Dummy-Daten und wandelt numerische Werte in Polynome um. Das Prädiktionsbeispiel Set-Ausgang des Cross Validation enthält Polynome und diese werden wieder in Zahlen umgewandelt.

Unnötig zu sagen, dies für nicht sinnvoll sein könnte, was Sie wollen, aber es ist ein Anfang.

Andrew

Answer 2

Sie haben erneut abstimmen Ihre Parameter Neural Network, sonst nicht Sie Zugriff auf das Detail der Algorithmus in Rapidminer haben. Eine andere Idee wäre, den Schwellenwertoperator nach dem neuronalen Netzwerkmodell zu verwenden, so dass Sie die Grenze der Entscheidung so ändern können, dass sie weniger negative als jetzt vorhersagen würde.