Neuronaler Netzknoten
Der neuronale Netzknoten (früher "Netz trainieren") wird zum Erstellen und Trainieren von neuronalen Netzen verwendet.
Neuronale Netze sind einfache Modelle der Funktionsweise des Nervensystems. Die Grundeinheiten sind Neuronen, die in der Regel in Schichten organisiert sind, wie in der folgenden Abbildung dargestellt.
Ein neuronales Netz ist ein vereinfachtes Modell der Art und Weise, wie ein menschliches Gehirn Informationen verarbeitet. Es funktioniert, indem eine große Anzahl miteinander verbundener Verarbeitungseinheiten simuliert wird, die abstrakten Versionen von Neuronen ähnlich sind.
Die Verarbeitungseinheiten sind in Schichten angeordnet. Für gewöhnlich gibt es drei Schichten in einem neuronalen Netz: eine Eingabeschicht mit Einheiten, die die Eingabefelder darstellen, mindestens eine verborgene Schicht und eine Ausgabeschicht mit einer Einheit bzw. Einheiten, die das(die) Zielfeld(er) darstellen. Die Einheiten sind mit verschiedenen Verbindungsstärken (Gewichtungen) verbunden. Die Eingangsdaten werden der ersten Schicht präsentiert und die Werte von jedem Neuron an jedes Neuron in der nächsten Schicht weitergeleitet. Schließlich gibt die Ausgabeschicht ein Ergebnis aus.
Das Netz lernt durch Prüfen einzelner Datensätze und generiert eine Vorhersage für jeden Datensatz. Außerdem nimmt es Änderungen der Gewichtungen vor, sobald eine falsche Vorhersage erfolgt. Dieser Vorgang wird viele Male wiederholt. Das Netz verbessert seine Vorhersagen so lange, bis mindestens eines der Stoppkriterien erfüllt ist.
Ursprünglich sind alle Gewichtungen zufällig und die Antworten, die vom Netz stammen, sind wahrscheinlich unsinnig. Das Netz lernt durch Training. Beispiele, für die die Ausgabe bekannt ist, werden dem Netz wiederholt präsentiert und die Antworten werden mit den bekannten Ausgaben verglichen. Die Informationen aus diesem Vergleich werden durch das Netz geleitet und die Gewichtungen schrittweise geändert. Je weiter das Training fortschreitet, desto genauer wird das Netz bei der Replizierung der bekannten Ergebnisse. Sobald das Netz trainiert ist, kann es auf zukünftige Fälle angewendet werden, bei denen das Ergebnis unbekannt ist.
Beispiel. Bei der Untersuchung landwirtschaftlicher Subventionen auf mögliche Fälle von Betrug kann ein neuronales Netz verwendet werden, um eine eingehende Überprüfung auf Abweichungen von der Norm durchzuführen, bei der diejenigen Datensätze gekennzeichnet werden, die Unregelmäßigkeiten aufweisen und weiter untersucht werden müssen. Sie sind insbesondere an Subventionsanträgen interessiert, in denen für den Typ und die Größe des landwirtschaftlichen Betriebs offenbar zu viel (oder zu wenig) Geld beantragt wird.
Anforderungen. Für Feldtypen gibt es keine Einschränkungen. Neuronale Netzknoten können numerische, symbolische und dichotome Ein- und Ausgaben verarbeiten. Der neuronale Netzknoten erwartet mindestens ein Feld mit der Rolle Eingabe und mindestens ein Feld mit der Rolle Ziel. Felder, die auf Beides oder Keine gesetzt sind, werden ignoriert. Die Feldtypen müssen vollständig instanziiert sein, wenn der Knoten ausgeführt wird.
Stärken. Neuronale Netze sind leistungsstarke Mehrzweckschätzer. Normalerweise führen sie Vorhersageaufgaben sowie andere Verfahren durch und bringen zuweilen wesentlich bessere Leistungen. Außerdem sind nur sehr geringe statistische oder mathematische Kenntnisse erforderlich, um sie zu trainieren bzw. anzuwenden. IBM® SPSS Modeler umfasst mehrere Funktionen, die helfen sollen, einige der häufigsten Probleme neuronaler Netze zu vermeiden, darunter Sensitivitätsanalyse (wie im Diagramm für die Bedeutsamkeit der Variablen angegeben) zur Erleichterung der Interpretation des Netzes, Reduzierung und Validierung zur Vermeidung von Übertrainierung sowie dynamische Netze, um geeignete Netzarchitekturen automatisch zu finden.