Interpretation eines Multilayer-Perceptron-Modellierungsergebnisses auf Weka

Question

Ich generiere ein Leistungsmodell mit Hilfe von Multilayer Perceptron auf Weka, einer Statistik-Toolbox.

Weka zeigt folgendes generiertes Leistungsmodell an, aber ich weiß nicht, wie ich es interpretieren soll.

Wie kann ich den vorhergesagten Wert mit diesem von Weka erstellten Modell berechnen? Ich möchte wissen, wie ich ihn mit dem Modell von Hand berechnen kann.

Danke.

=== Classifier model (full training set) ===

Linear Node 0
    Inputs    Weights
    Threshold    -0.040111709313733535
    Node 1    -1.8468414006209548
    Node 2    0.8245441127585728
    Node 3    -0.6384807874184006
    Node 4    -0.7484784535220612
Sigmoid Node 1
    Inputs    Weights
    Threshold    -0.24446294747264816
    Attrib CPU-User    -0.608249350584644
    Attrib CPU-System    0.13288901868419942
    Attrib CPU-Idle    1.0072001456456134
    Attrib GPS    0.39886318520181463
    Attrib WIFI    2.661390547312707
    Attrib Disk-Write    3.3144190265114104
    Attrib Screen    -0.18379082022126372
Sigmoid Node 2
    Inputs    Weights
    Threshold    -0.04552879905091134
    Attrib CPU-User    1.2010400180021503
    Attrib CPU-System    -0.415901207849663
    Attrib CPU-Idle    -1.8201808907618635
    Attrib GPS    0.3297713837591742
    Attrib WIFI    2.670046643619425
    Attrib Disk-Write    1.0132120671943607
    Attrib Screen    1.5785512067159402
Sigmoid Node 3
    Inputs    Weights
    Threshold    -7.438472914350278
    Attrib CPU-User    -6.382669043988483
    Attrib CPU-System    -1.6622872921207548
    Attrib CPU-Idle    -0.12729502604878612
    Attrib GPS    -0.9716992577028621
    Attrib WIFI    0.6911695390337304
    Attrib Disk-Write    -1.1769266028873722
    Attrib Screen    0.5101113538728531
Sigmoid Node 4
    Inputs    Weights
    Threshold    -5.509838959208244
    Attrib CPU-User    -0.3709271557180943
    Attrib CPU-System    -1.7448007514288941
    Attrib CPU-Idle    -0.08176108597065958
    Attrib GPS    -1.0234447340811823
    Attrib WIFI    -1.5759133030274077
    Attrib Disk-Write    0.2376861365371351
    Attrib Screen    -1.5654514081278506
Class 
    Input
    Node 0

Time taken to build model: 0.81 seconds

=== Predictions ontest split===

inst#,    actual, predicted, error
     1 153727.273 169587.843  15860.57 
     2 159036.364 168657.043   9620.68 
     ....

Answer 1

Diese Präsentation enthält einige Details über den Hintergrund und die Gleichungen, die für neuronale Netze verwendet werden. Die Ausgabe von Weka gibt Ihnen den Typ jedes Knotens sowie die Eingaben und Gewichte an. Sie sollten in der Lage sein, die Zahlen anhand dieser Informationen selbst zu berechnen.

Answer 2

Im Falle des Multilayer Perceptron in WEKA. Wenn Sie die Netzwerktopologie nicht geändert haben, sind die Knoten in der verborgenen Schicht dieses Netzes alle sigmoid, aber die Ausgangsknoten sind lineare Einheiten. z.B.. Linear Node 0" ist Ihre OUTPUT-Einheit und die Sigmoid Node 1 bis 4 sind Ihre 4 versteckten Einheiten. Alle angegebenen Werte sind Ihre Verbindungsgewichte. Sie können sie verwenden, um Ihre Ergebnisse manuell zu berechnen, die Sie erhalten.

Answer 3

Die Frage ist jetzt alt, aber vielleicht sind andere an der Antwort interessiert. Beachten Sie, dass Weka standardmäßig die Eingaben und Ausgaben auf den Bereich von -1 bis 1 normalisiert, was die Modellgenauigkeit oft verbessert. Sie müssen Ihre Eingaben auf denselben Bereich skalieren und Ihre Ausgaben aus diesem Bereich zurück auf den ursprünglichen Bereich skalieren.

Die Aktivierungsfunktion ist 1/(1+exp(-Aktivierung)) für die nichtlinearen Einheiten. Bei mehr als ein paar Einheiten wird dies schnell unübersichtlich, aber Sie können die richtige Antwort erhalten. Beachten Sie auch, dass das, was Weka als Schwellenwert bezeichnet, in der Literatur auch als Bias bezeichnet wird und einfach zur Aktivierung der Einheit addiert wird, der es zugeordnet ist.