1. Главная
2. ИИ
3. ИНС
4. Памятка

ИНС. Обучение с учителем

Если у вас нет каких-то важных причин отступать от следующего плана, то придерживайтесь его. Во всяком случае будет неплохо с него начать.

1. Определиться с набором данных $X$ и целевой переменной $Y=f(x)$. Целевая переменная может быть одна (значение - в регрессии, класс - в классификации), или их может быть несколько (массив значений вероятности для множества классов).

   $X_1$	$X_2$	..	$X_n$	$Y$
   1 объект				цель 1
   2 объект				цель 1
   ..				..
   m-ый объект				цель m

2. Предобработка данных (приведение типов, повороты и растяжения. удаление пропусков). Все преобразования производятся над данными до их разделения на выборки. Для удобства последующего использования модели с новыми данными, стоит оформить обработку как функцию def.
3. Разделить данные ($X, Y$) на обучающую и тестовую выборки

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.25, random_state=13)

4. Создать модель. Накидать слоёв (в соответствии с вашими целями).
5. Собрать модель, подобрав нужные для конкретного типа задачи функцию потерь и проч. аргументы

   model.compile(loss='?', optimizer='?', metrics=['?'])

6. Обучить нейросеть, чтобы она, получая на вход X_train, предсказывала значения y_train. От аргументов epochs и batch_size будет зависеть время обучения и точность модели на обучающей выборке

   model.fit(X_train, y_train, epochs=?, batch_size=?)

7. Посчитать и вывести точность на тестовом наборе данных (который не участвовал в обучении).

   _, accuracy = model.evaluate(model.predict(X_test), y_test)

8. Если позволяет задача, вывести график с данными и предсказаниями нейронки на тестовом наборе. Проверить, что сделанное совпадает с задуманным.
9. Поэкспериментировать с архитектурой сети (количество слоев, количество нейронов в слоях, функции активации), попытаться улучшить точность и упростить архитектуру.