Celem artykułu jest ilustracja sposobu wyboru struktury sztucznej sieci neuronowej (SSN) o najlepszej jakości predykcyjnej, czyli dokładności przewidywania. Dobór optymalnej architektury sieci odbywa ... więcej

Celem artykułu jest ilustracja sposobu wyboru struktury sztucznej sieci neuronowej (SSN) o najlepszej jakości predykcyjnej, czyli dokładności przewidywania. Dobór optymalnej architektury sieci odbywa się w sposób empiryczny, przy zastosowaniu kryterium najmniejszych wartości miar błędów sieci. Aby ustalić architekturę sieci neuronowej, należy określić: liczbę zmiennych wejściowych, liczbę zmiennych wyjściowych, liczbę warstw ukrytych, liczbę neuronów w warstwach ukrytych, rodzaj funkcji aktywacji w neuronach warstw ukrytych i warstwy wyjściowej, liczbę epok uczenia. Sposób wyboru najlepszych sieci neuronowych pokazano na przykładach analiz zależności regresyjnych. Zastosowano jednokierunkowe sieci neuronowe, o jednej lub dwóch warstwach ukrytych. Na podstawie analizy miar błędów predykcji analizowanych sieci neuronowych wybrano sieci o najlepszej jakości predykcyjnej. Porównano ze sobą jakości predykcyjne modeli neuronowych i statystycznych zależności regresyjnych.

The aim of the article is to illustrate how to choose the structure of an artificial neural network (ANN) with the best predictive quality. The selection of the optimal network architecture takes place ... więcej

The aim of the article is to illustrate how to choose the structure of an artificial neural network (ANN) with the best predictive quality. The selection of the optimal network architecture takes place in an empirical way, using the criterion of the smallest values of network error measures. To determine the architecture of the neural network one should determine: the number of input variables, the number of output variables, the number of hidden layers, the number of neurons in hidden layers, the type of activation function in the hidden layers and in the output layer neurons, the number of learning epochs. The method of choosing the best neural networks are shown in the examples of regression dependency analyzes. Neural networks with one or two hidden layers were used. Based on the analysis of the error rates of prediction of the analyzed neural networks, the networks with the best predictive quality were selected. Qualities of prediction of neural models and statistical regression relationships were compared.