Обмен технологиями

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Extreme Learning Machine (ELM) — это простой алгоритм обучения однослойной нейронной сети с прямой связью (SLFN). Теоретически алгоритмы машинного обучения с экстремальным обучением (ELM), как правило, обеспечивают хорошую производительность (принадлежащие алгоритмам машинного обучения) с чрезвычайно высокой скоростью обучения и были предложены Хуангом и др. Основная особенность ELM заключается в том, что его скорость обучения очень высока по сравнению с традиционными методами градиентного спуска (такими как нейронная сеть BP), ELM не требует итерационного процесса. Основной принцип заключается в случайном выборе весов и смещений скрытого слоя, а затем изучении выходных весов путем минимизации ошибки выходного слоя.

имг

Основные шаги алгоритма ELM

1. Случайно инициализировать веса и смещения, вводимые в скрытый слой.：

   • Веса и смещения скрытых слоев генерируются случайным образом и остаются постоянными во время обучения.

2. Вычислить выходную матрицу скрытого слоя (т.е. результат функции активации)：

   • Рассчитайте выходные данные скрытого слоя, используя функцию активации (например, сигмовидную, ReLU и т. д.).

3. Рассчитать выходной вес：

   • Веса от скрытого слоя к выходному слою рассчитываются методом наименьших квадратов.

Математическая формула ELM выглядит следующим образом:

• Учитывая набор обучающих данных, где,

• Формула расчета выходной матрицы скрытого слоя:

  • где – входная матрица, – входная матрица весов для скрытого слоя, – вектор смещения и – функция активации.

• Формула расчета выходного веса:

  • Среди них — обобщенная обратная выходная матрица скрытого слоя и выходная матрица.

Сценарии применения алгоритма ELM

1. Масштабная обработка наборов данных: ELM хорошо работает при обработке крупномасштабных наборов данных, поскольку его скорость обучения очень высока и подходит для сценариев, требующих быстрого обучения моделей, таких как крупномасштабная классификация изображений, обработка естественного языка и другие задачи.

2. Прогноз отрасли : ELM имеет широкий спектр применений в области промышленного прогнозирования, например, контроль качества и прогнозирование отказов оборудования в процессах промышленного производства. Он может быстро обучать прогнозные модели и быстро реагировать на данные в реальном времени.

3. Финансовый сектор : ELM можно использовать для анализа и прогнозирования финансовых данных, таких как прогнозирование цен на акции, управление рисками, кредитный скоринг и т. д. Поскольку финансовые данные обычно многомерны, высокая скорость обучения ELM выгодна для обработки этих данных.

4. медицинский диагноз : В медицинской сфере ELM можно использовать для таких задач, как прогнозирование заболеваний и анализ медицинских изображений. Он может быстро обучать модели и классифицировать или регрессировать данные пациентов, помогая врачам быстрее и точнее ставить диагнозы.

5. Интеллектуальная система управления : ELM может использоваться в интеллектуальных системах управления, таких как умные дома, интеллектуальные транспортные системы и т. д. Изучая характеристики и закономерности окружающей среды, ELM может помочь системе принимать разумные решения и повышать эффективность и производительность системы.

Python реализует алгоритм ELM

Мы используемmake_moons Набор данных — игрушечный набор данных, обычно используемый для задач машинного обучения и классификации глубокого обучения. Он генерирует точки, распределенные в виде двух пересекающихся полумесяцев, что идеально подходит для демонстрации производительности и границ решений алгоритмов классификации.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
 
# 定义极限学习机（ELM）类
class ELM:
    def __init__(self, n_hidden_units):
        # 初始化隐藏层神经元数量
        self.n_hidden_units = n_hidden_units
 
    def _sigmoid(self, x):
        # 定义Sigmoid激活函数
        return 1 / (1 + np.exp(-x))
 
    def fit(self, X, y):
        # 随机初始化输入权重
        self.input_weights = np.random.randn(X.shape[1], self.n_hidden_units)
        # 随机初始化偏置
        self.biases = np.random.randn(self.n_hidden_units)
        # 计算隐藏层输出矩阵H
        H = self._sigmoid(np.dot(X, self.input_weights) + self.biases)
        # 计算输出权重
        self.output_weights = np.dot(np.linalg.pinv(H), y)
 
    def predict(self, X):
        # 计算隐藏层输出矩阵H
        H = self._sigmoid(np.dot(X, self.input_weights) + self.biases)
        # 返回预测结果
        return np.dot(H, self.output_weights)
 
# 创建数据集并进行预处理
X, y = make_moons(n_samples=1000, noise=0.2, random_state=42)
# 将标签转换为二维数组（ELM需要二维数组作为标签）
y = y.reshape(-1, 1)
 
# 标准化数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
 
# 拆分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)
 
# 训练和比较ELM与MLP
 
# 训练ELM
elm = ELM(n_hidden_units=10)
elm.fit(X_train, y_train)
y_pred_elm = elm.predict(X_test)
# 将预测结果转换为类别标签
y_pred_elm_class = (y_pred_elm > 0.5).astype(int)
# 计算ELM的准确率
accuracy_elm = accuracy_score(y_test, y_pred_elm_class)
 
# 训练MLP
mlp = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, random_state=42)
mlp.fit(X_train, y_train.ravel())
# 预测测试集结果
y_pred_mlp = mlp.predict(X_test)
# 计算MLP的准确率
accuracy_mlp = accuracy_score(y_test, y_pred_mlp)
 
# 打印ELM和MLP的准确率
print(f"ELM Accuracy: {accuracy_elm}")
print(f"MLP Accuracy: {accuracy_mlp}")
 
# 可视化结果
def plot_decision_boundary(model, X, y, ax, title):
    # 设置绘图范围
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    # 创建网格
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),
                         np.arange(y_min, y_max, 0.01))
    # 预测网格中的所有点
    Z = model(np.c_[xx.ravel(), yy.ravel()])
    Z = (Z > 0.5).astype(int)
    Z = Z.reshape(xx.shape)
    # 画出决策边界
    ax.contourf(xx, yy, Z, alpha=0.8)
    # 画出数据点
    ax.scatter(X[:, 0], X[:, 1], c=y.ravel(), edgecolors='k', marker='o')
    ax.set_title(title)
 
# 创建图形
fig, axs = plt.subplots(1, 2, figsize=(12, 5))
 
# 画出ELM的决策边界
plot_decision_boundary(lambda x: elm.predict(x), X_test, y_test, axs[0], "ELM Decision Boundary")
# 画出MLP的决策边界
plot_decision_boundary(lambda x: mlp.predict(x), X_test, y_test, axs[1], "MLP Decision Boundary")
 
# 显示图形
plt.show()
 
# 输出：
'''
ELM Accuracy: 0.9666666666666667
MLP Accuracy: 0.9766666666666667
'''

Визуальный вывод:

Вышеуказанный контент взят из Интернета. Если он вам полезен, перешлите его. Увидимся в следующий раз!