Введение
Нейронная сеть — это машина обработки информации, похожая на нервную систему человека. Нервная система человека состоит из нейронов, которые взаимосвязаны друг с другом, как и нервная система человека, она состоит из взаимосвязанных блоков обработки информации. Эти блоки обработки информации не работают линейно; нейронная сеть черпает свою силу из параллельной обработки информации, что позволяет бороться с нелинейностью. Нейронная сеть становится удобной для вывода значений и выявления закономерностей из сложных наборов данных.
Нейронная сеть считается одним из самых полезных методов анализа данных в мире. Таким образом, это сложная сеть, которую часто называют черным ящиком, потому что пользователь может видеть входные и выходные данные нейронной сети, но не знает о процессе генерации.
Искусственные нейронные сети
Искусственная нейронная сеть изначально разрабатывалась как математические теории деятельности по обработке информации биологическими нервными клетками, структурные элементы, которые используются в ИНС, аналогичны элементам, которые используются в неврологии, независимо от того, относятся ли они к классу статистических процедур. .
Основы:
ИНС могут иметь один или несколько слоев и состоят из блоков обработки (нейронов или узлов), которые связаны между собой набором переменных весов, что позволяет сигналам проходить по сети последовательно или параллельно. Как правило, ИНС можно разделить на три слоя нейронов: входной (принимает информацию), скрытый (отвечает за извлечение шаблона, выполняет большую часть внутренней обработки) и выходной (создает и представляет окончательные выходные данные сети).
В журнале Agatonovic-Kustrin & Beresford (2000) объясняется, что нейронные вычисления должны выполняться посредством соединения их нейронов. Каждый нейрон имеет передаточную функцию, взвешенный вход и сигнал на выходе. Авторы сказали, что нейроны активируются суммами весов входных данных; он получает и активирует сигнал, проходящий через передаточную функцию для поддержания одного выхода. Правило обучения, передаточная функция и архитектура определяют общее поведение нейронных сетей.
Сравнение нервной системы человека и ИНС:
Человеческий мозг состоит из бесчисленных нейронов, которые получают и обрабатывают информацию. Каждая нейронная клетка рассматривается как простая система обработки. Сеть взаимосвязанных нейронов, известная как биологическая нейронная сеть, которая использовала электрический сигнал для передачи информации. Эта параллельная интерактивная система позволяет мозгу думать и обрабатывать информацию. Дендриты нейронов получают входные сигналы от предыдущего нейрона и реагируют на выходные, которые основаны на входных сигналах аксона того же нейрона. На основе входного сигнала нейрон запускает сигналы через аксон.
Дендриты получают сигналы от предыдущих нейронов. Тело клетки нейронов собирает все входные данные и генерирует выходные данные. Аксон через выход Когда сумма входных сигналов достигает порога. Точки, где взаимодействуют нейроны, называются синапсами. Через синапсы электрические и химические сигналы передаются по нейронам. Синапсы управляют от греческого слова, означающего соединение.
Здесь x1, x2…xn — входная переменная. w1, w2… wn — весовые представители входных данных. b здесь — смещение, которое суммируется со всеми входными весами для получения чистого входа. Вес и смещение являются регулируемыми входными данными нейронов, в то время как параметр регулируется с использованием некоторых правил обучения. Выход нейронов колеблется от -ive до +ive. Нейроны на самом деле не заботятся о границе. Так что все, что нам нужно, это механизм вывода и ввода для нейронов. Этот механизм сопоставления вывода и ввода известен как функция активации.
Прямая связь и обратная связь Искусственные нейронные сети
Два основных типа искусственной нейронной сети:
1. Искусственная нейронная сеть с прямой связью
2. Искусственная нейронная сеть с обратной связью
Искусственная нейронная сеть с прямой связью:
Нейронная сеть, которая не является рекурсивной, называется искусственной нейронной сетью с прямой связью. Нейроны слоя связаны со следующим слоем, но не совершают никакого цикла. В сетях с прямой связью сигналы направляются к выходному слою только в одном направлении.
Искусственная нейронная сеть с обратной связью
Нейронная сеть, находящаяся в цикле, называется нейронной сетью с обратной связью. Сигналы распространяются в обоих направлениях, образуя петли в сети. Эти петли в цикле обратной связи вызывают изменение поведения сети с течением времени в зависимости от входных данных. Искусственная нейронная сеть с обратной связью также известна как рекуррентная нейронная сеть.
Реализация нейронной сети в R
Установить необходимый пакет
Давайте сначала установим библиотеку нейронной сети:
# пакет установки
install.packages("нейронная сеть")
Обновление HTML-индекса пакетов в .Library
Подготовка файла package.html… завершена
Создать обучающий набор данных
Давайте создадим свой собственный набор данных. Здесь вам нужны два типа атрибутов или столбцов в ваших данных: функция и метка. В приведенной выше таблице вы можете увидеть технические знания, оценку коммуникативных навыков и статус размещения студента. Таким образом, первые два столбца (Оценка технических знаний и Оценка коммуникативных навыков) представляют собой функции, а третий столбец (Студент, размещенный) — это двоичная метка.
# создание набора обучающих данных
TKS=c(20,10,30,20,80,30)
CSS=c(90,20,40,50,50,80)
Размещено=c(1,0,0,0,1,1)
# Здесь вы объедините несколько столбцов или функций в один набор данных
df=data.frame(TKS,CSS,Placed)
Давайте построим модель классификатора NN, используя библиотеку нейронной сети.
Во-первых, импортируйте библиотеку нейронной сети и создайте модель классификатора NN, передав набор аргументов метки и функций, набор данных, количество нейронов в скрытых слоях и вычисление ошибок.
# загрузить библиотеку
требовать(нейронная сеть)
# подходит для нейронной сети
nn=neuralnet(Placed~TKS+CSS,data=df, hidden=3,act.fct = «логистический»,
linear.output = FALSE)
Здесь,
– Размещено~TKS+CSS, Размещено – это метка, а TKS и CSS – функции.
- df – это кадр данных,
- hidden=3: представляет один слой с 3 нейронами соответственно.
– act.fct = «логистика», используемая для сглаживания результата.
- linear.ouput=FALSE: установите FALSE для применения act.fct, иначе TRUE
Построение нейронной сети
Давайте построим вашу модель нейронной сети.
# построить нейронную сеть
сюжет(nn)
Создать тестовый набор данных
Создайте тестовый набор данных, используя две функции: Оценка технических знаний и Оценка коммуникативных навыков.
# создание набора тестов
TKS=c(30,40,85)
CSS=c(85,50,40)
test=data.frame(TKS,CSS)
Предсказать результаты набора тестов
Предскажите оценку вероятности для тестовых данных с помощью вычислительной функции.
## Прогноз с использованием нейронной сети
Predict=compute(nn,test)
Прогноз $net.result
Теперь преобразуйте вероятности в бинарные классы.
# Преобразование вероятностей в двоичные классы с пороговым уровнем 0,5
prob ‹- Predict$net.result
пред ‹- ifelse(вероятность›0,5, 1, 0)
пред
1
0
1
Прогнозируемые результаты: 1,0 и 1.
Применение в медицине:
Организации здравоохранения используют методы машинного обучения, такие как ИНС, для поддержания и улучшения оказания медицинской помощи с меньшими затратами. Применение ИНС для диагностики различных заболеваний хорошо известно, однако ИНС все чаще используется для обновления решений по управлению здравоохранением. Система здравоохранения в развитых странах трансформируется в ценностно-ориентированную, важную и ориентированную на пациента модель оказания медицинской помощи. Ежедневно мы сталкиваемся с новыми сложностями совершенствования управления и структуры оказания медицинской помощи. Например, улучшение интеграции процесса оказания помощи при хронических заболеваниях, ориентированных на пациента.
Искусственная нейронная сеть находится на стыке новых и быстрых технологий с перспективой предоставления медицинской помощи, которая является надлежащей, а также экономически эффективной в режиме реального времени, обеспечивает эффективное и действенное общение между междисциплинарными заинтересованными сторонами и раскрывает нетрадиционную помощь. обстановка, появляющаяся рабочая сила здравоохранения и рабочее место, а также появление разрозненной и новой информационной системы здравоохранения. С растущим использованием искусственных нейронных сетей для принятия быстрых и сложных решений в различных отраслях промышленности существует множество решений, способных решить проблемы управления здравоохранением. Однако отсутствует руководство по выбору подходящего метода для отрасли здравоохранения.
Ожидается, что к 2020 году глобальные расходы на здравоохранение превысят 8,7 трлн долларов США, что обусловлено увеличением размера и сложности заболеваний стареющего населения, достижениями в области лечения, повышением стоимости рабочей силы и расширением рынка медицинских услуг. индустрия здравоохранения.
Есть много систем здравоохранения, которые, как сообщается, борются с обновлением устаревшей инфраструктуры и устаревшими технологиями с ограниченными капитальными ресурсами. Утверждается, что в борьбе за лечение, основанное на ценностях, лица, принимающие решения, намеренно смещают акцент на понимание и лучшую организацию финансовых стимулов для поставщиков медицинских услуг, чтобы терпеть финансовый риск; управление здоровьем населения, включая анализ тенденций в отношении качества, здоровья и стоимости; и принятие инновационных моделей доставки для модернизированных процессов и организации помощи.
От организаций здравоохранения требуется постепенное стратегическое управление в связи с изменением взаимозависимости системы, такой как меняющиеся требования окружающей среды и конкурирующие приоритеты, которые могут усложнить процесс принятия решений.
Заключительные соображения
Метод ИНС характеризует междисциплинарное сотрудничество, включающее области компьютерных наук, нейронауки, математики, статистики, и применяется для решения множества проблем в различных областях, включая медицину. Способность ИНС распознавать закономерности широко применяется в спектральном анализе, распознавании изображений и принятии решений в сложных линейных и нелинейных задачах по разным предметам.
Исследования, направленные на ИНС, позволили разработать высокопроизводительные вычисления — с сетевыми процессорами, предполагающими роль нейронов — с акцентом на их высокую вычислительную мощность. Кроме того, прогресс в области когнитивных вычислений помогает создавать интеллектуальные машины, способные контролировать и обрабатывать сигналы. Но не ожидается, что одна машина сможет справиться со всеми проблемами. Каждая интеллектуальная машина может найти конкретное применение, в частности применение ИНС в области медицины и преподавания медицины.
