Cara Menggunakan Contoh Jaringan Neural Perceptron Sederhana untuk Mengklasifikasikan Data

Artikel ini menunjukkan fungsionalitas dasar jaringan saraf Perceptron dan menjelaskan tujuan pelatihan.

Artikel ini adalah bagian dari seri jaringan saraf Perceptron.

Jika Anda ingin memulai dari awal atau melompat ke depan, Anda dapat melihat artikel lainnya di sini:

1. Bagaimana Melakukan Klasifikasi Menggunakan Jaringan Syaraf Tiruan:Apa Itu Perceptron?
2. Cara Menggunakan Contoh Jaringan Neural Perceptron Sederhana untuk Mengklasifikasikan Data
3. Cara Melatih Jaringan Neural Perceptron Dasar
4. Memahami Pelatihan Jaringan Syaraf Sederhana
5. Pengantar Teori Pelatihan untuk Jaringan Neural
6. Memahami Kecepatan Pembelajaran di Jaringan Neural
7. Pembelajaran Mesin Tingkat Lanjut dengan Perceptron Multilayer
8. Fungsi Aktivasi Sigmoid:Aktivasi di Jaringan Neural Perceptron Multilayer
9. Cara Melatih Jaringan Neural Perceptron Multilayer
10. Memahami Rumus Pelatihan dan Backpropagation untuk Perceptron Multilayer
11. Arsitektur Jaringan Saraf untuk Implementasi Python
12. Cara Membuat Jaringan Neural Perceptron Multilayer dengan Python
13. Pemrosesan Sinyal Menggunakan Jaringan Saraf Tiruan:Validasi dalam Desain Jaringan Saraf Tiruan
14. Pelatihan Kumpulan Data untuk Jaringan Neural:Cara Melatih dan Memvalidasi Jaringan Neural Python

Apa itu Perceptron Single-Layer?

Pada artikel sebelumnya, kita melihat bahwa jaringan saraf terdiri dari node yang saling berhubungan yang tersusun berlapis-lapis. Node di lapisan input mendistribusikan data, dan node di lapisan lain melakukan penjumlahan dan kemudian menerapkan fungsi aktivasi. Koneksi antara node ini diberi bobot, artinya setiap koneksi mengalikan datum yang ditransfer dengan nilai skalar.

Perhatikan bahwa konfigurasi ini disebut Perceptron single-layer. Ya, saya tahu, ia memiliki dua lapisan (input dan output), tetapi hanya memiliki satu lapisan yang berisi node komputasi.

Mengklasifikasikan dengan Perceptron

Dalam artikel ini, kita akan menjelajahi fungsionalitas Perceptron menggunakan jaringan saraf berikut.

Seperti yang Anda lihat, dimensi input kami adalah tiga. Kita dapat menganggap Perceptron ini sebagai alat untuk memecahkan masalah dalam ruang tiga dimensi. Sebagai contoh, mari kita ajukan masalah berikut:Jika sebuah titik dalam ruang tiga dimensi terletak di bawah sumbu x, itu sesuai dengan datum yang tidak valid. Jika titik berada pada atau di atas sumbu x, itu sesuai dengan datum valid yang harus dipertahankan untuk analisis lebih lanjut. Kami membutuhkan jaringan netral ini untuk mengkategorikan data kami, dengan nilai keluaran 1 menunjukkan datum yang valid dan nilai 0 menunjukkan datum yang tidak valid.

Pertama, kita harus memetakan koordinat tiga dimensi kita ke vektor input. Dalam contoh ini, masukan₀ adalah komponen x, masukan₁ adalah komponen y, dan masukan₂ adalah komponen z. Selanjutnya, kita perlu menentukan bobotnya. Contoh ini sangat sederhana sehingga kita tidak perlu melatih jaringan. Kita cukup memikirkan bobot yang diperlukan dan menetapkannya:

Yang perlu kita lakukan sekarang adalah menentukan bahwa fungsi aktivasi dari simpul keluaran adalah langkah unit yang dinyatakan sebagai berikut:

\[f(x)=\begin{kasus}0 &x <0\\1 &x \geq 0\end{kasus}\]

Perceptron bekerja seperti ini:Sejak w₁ =0 dan w₂ =0, komponen y dan z tidak memberikan kontribusi pada penjumlahan yang dihasilkan oleh simpul keluaran. Satu-satunya datum masukan yang mempengaruhi penjumlahan adalah komponen x, yang dikirimkan ke simpul keluaran tanpa dimodifikasi karena w₀ =1. Jika titik dalam ruang tiga dimensi berada di bawah sumbu x, penjumlahan simpul keluaran akan menjadi negatif, dan fungsi aktivasi akan mengubah nilai negatif ini menjadi keluaran₀ =0. Jika titik dalam ruang tiga dimensi berada pada atau di atas sumbu x, penjumlahannya akan sama dengan atau lebih besar dari nol, dan fungsi aktivasi akan mengubahnya menjadi keluaran₀ =1.

Memecahkan Masalah dengan Perceptron

Di bagian sebelumnya, saya menggambarkan Perceptron kami sebagai alat untuk memecahkan masalah. Anda mungkin telah memperhatikan, bahwa Perceptron tidak melakukan banyak pemecahan masalah—Saya memecahkan masalah dan memberikan solusi kepada Perceptron dengan menetapkan bobot yang diperlukan.

Pada titik ini kita telah mencapai konsep jaringan saraf yang penting:Saya dapat dengan cepat memecahkan masalah klasifikasi yang valid/tidak valid karena hubungan antara data input dan nilai output yang diinginkan sangat sederhana. Namun, dalam banyak situasi kehidupan nyata, akan sangat sulit bagi manusia untuk merumuskan hubungan matematis antara data input dan nilai output. Kami dapat memperoleh data masukan dan kami dapat merekam atau menghasilkan nilai keluaran yang sesuai, tetapi kami tidak memiliki rute matematis dari masukan ke keluaran.

Contoh yang bermanfaat adalah pengenalan tulisan tangan. Katakanlah kita memiliki gambar karakter tulisan tangan, dan kita ingin mengkategorikan gambar tersebut sebagai "a," "b," "c," dll., sehingga kita dapat mengubah tulisan tangan menjadi teks komputer biasa. Siapa pun yang tahu cara menulis dan membaca akan dapat menghasilkan gambar masukan dan kemudian menetapkan kategori yang benar untuk setiap gambar. Dengan demikian, mengumpulkan data input dan data output yang sesuai bukanlah hal yang sulit. Di sisi lain, akan sangat sulit untuk melihat pasangan input-output dan merumuskan ekspresi matematika atau algoritme yang akan mengubah gambar input menjadi kategori output dengan benar.

Jadi, pengenalan tulisan tangan dan banyak tugas pemrosesan sinyal lainnya menghadirkan masalah matematika yang tidak dapat diselesaikan manusia tanpa bantuan alat canggih. Terlepas dari kenyataan bahwa jaringan saraf tidak dapat berpikir dan menganalisis dan berinovasi, mereka memungkinkan kita untuk memecahkan masalah sulit ini karena mereka dapat melakukan sesuatu yang tidak dapat dilakukan manusia—yaitu, dengan cepat dan berulang kali melakukan perhitungan yang melibatkan sejumlah besar data numerik yang berpotensi .

Melatih Jaringan

Proses yang memungkinkan jaringan saraf untuk membuat jalur matematika dari input ke output disebut pelatihan. Kami memberikan data pelatihan jaringan yang terdiri dari nilai input dan nilai output yang sesuai, dan itu menerapkan prosedur matematika tetap untuk nilai-nilai ini. Tujuan dari prosedur ini adalah untuk secara bertahap memodifikasi bobot jaringan sehingga jaringan dapat menghitung nilai keluaran yang benar bahkan dengan data masukan yang belum pernah dilihat sebelumnya. Ini pada dasarnya menemukan pola dalam data pelatihan dan menghasilkan bobot yang akan menghasilkan keluaran yang berguna dengan menerapkan pola ini ke data baru.

Diagram berikut menunjukkan pengklasifikasi valid/tidak valid yang dibahas di atas, tetapi bobotnya berbeda. Ini adalah bobot yang saya hasilkan dengan melatih Perceptron dengan 1000 titik data. Seperti yang Anda lihat, proses pelatihan telah memungkinkan Perceptron untuk secara otomatis memperkirakan hubungan matematis yang saya identifikasi melalui pemikiran kritis gaya manusia.

Dalam Artikel Berikutnya…

Saya telah menunjukkan kepada Anda hasil pelatihan Perceptron ini, tetapi saya belum mengatakan apa pun tentang bagaimana saya memperoleh hasil ini. Artikel berikutnya akan menjelaskan program Python singkat yang mengimplementasikan jaringan saraf Perceptron single-layer, dan saya juga akan menjelaskan prosedur pelatihan saya.