Hayes-Roth Data SetAn example of a

Hayes-Roth Data Set

An example of a multivariate data type classification problem using Neuroph

by Sava Necin, Faculty of Organisation Sciences, University of Belgrade

an experiment for Intelligent Systems course



Introduction

In this example we will be testing Neuroph 2.4 with Hayes-Roth Data Set , which can be found : here. Several architectures will be tried out, and it will be determined which ones represent a good solution to the problem, and which ones do not.

First here are some useful information about our Hayes-Roth Data Set:
Data Set Characteristics: Multivariate
Number of Instances: 160
Attribute Characteristics: Categorical
Number of Attributes: 5
Associated Tasks: Classification



Introducing the problem

This database contains 5 numeric-valued attributes. Only a subset of 3 are used during testing (the latter 3)l.
Some instances could be placed in either category 0 or 1. I've followed the authors' suggestion, placing them in each category with equal probability. I've replaced the actual values of the attributes (i.e., hobby has values chess, sports and stamps) with numeric values. I think this is how the authors' did this when testing the categorization models described in the paper. I find this unfair. While the subjects were able to bring background knowledge to bear on the attribute values and their relationships, the algorithms were provided with no such knowledge. I'm uncertain whether the 2 distractor attributes (name and hobby) are presented to the authors' algorithms during testing. However, it is clear that only the age, educational status, and marital status attributes are given during the human subjects' transfer tests.

Attribute Information:

-- 1. name: distinct for each instance and represented numerically
-- 2. hobby: nominal values ranging between 1 and 3
-- 3. age: nominal values ranging between 1 and 4
-- 4. educational level: nominal values ranging between 1 and 4
-- 5. marital status: nominal values ranging between 1 and 4
-- 6. class: nominal value between 1 and 3

For this experiment to work we had to transform our data set in binary format (0, 1).We replaced each attribute value with suitable binary combination.

In this example we will be using 80% of data for training the network and 20% of data for testing it.

Before you start reading our experiment we suggest to first get more familiar with Neuroph Studio and Multi Layer Perceptron.You can do that by clicking on the links below:

Neuroph Studio Geting started

Multi Layer Perceptron
Network design

Here you can see the structure of our network with its inputs,outputs and hidden neurons in the middle layer.

ผลลัพธ์ (ไทย) 1:

ชุดข้อมูลเฮย์ส Rothพิมพ์ตัวอย่างของข้อมูลตัวแปรพหุปัญหาการจัดประเภทโดยใช้ Neurophโดยซาวา Necin คณะวิทยาศาสตร์องค์กร มหาวิทยาลัยเบลเกรดการทดลองหลักสูตรระบบอัจฉริยะ แนะนำในตัวอย่างนี้เราจะทดสอบ 2.4 Neuroph กับชุดข้อมูล Hayes Roth ซึ่งสามารถพบได้: ที่นี่ สถาปัตยกรรมหลายจะพยายามออก และจะกำหนดคนที่แก้ดีที่แสดงถึงปัญหา และคนที่ไม่ครั้งแรก นี่คือข้อมูลที่เป็นประโยชน์เกี่ยวกับชุดของเราข้อมูลเฮย์สรอด:ลักษณะข้อมูล: หลายตัวแปรข้อจำนวนของอินสแตนซ์: 160ลักษณะของแอตทริบิวต์: แตกหมายเลขของแอตทริบิวต์: 5งานที่เกี่ยวข้อง: การจัดประเภท แนะนำปัญหาฐานข้อมูลนี้ประกอบด้วย 5 ตัวเลขคุณลักษณะ เพียงชุดย่อยของ 3 จะใช้ในระหว่างการทดสอบ (3 หลัง) lบางครั้งอาจถูกวางในทั้งประเภท 0 หรือ 1 ฉันได้ปฏิบัติตามข้อเสนอแนะของผู้เขียน วางพวกเขาในแต่ละประเภท มีพอ ๆ กัน ฉันได้แทนค่าจริงของแอตทริบิวต์ (เช่น งานอดิเรก มีค่าหมากรุก กีฬาแสตมป์) ด้วยค่าตัวเลข ผมคิดว่า นี้เป็นวิธีที่ผู้เขียนไม่นี้เมื่อทดสอบแบบจำลองการจัดประเภทที่อธิบายไว้ในกระดาษ ฉันค้นหานี้ไม่เป็นธรรม ในขณะที่วัตถุได้มีการนำความรู้ไปในค่าแอตทริบิวต์และความสัมพันธ์ ขั้นตอนวิธีการไว้ ด้วยความไม่รู้ ผมไม่แน่ใจว่าแอตทริบิวต์ distractor 2 (ชื่อและงานอดิเรก) จะแสดงขั้นตอนวิธีของผู้เขียนในระหว่างการทดสอบ อย่างไรก็ตาม เป็นที่ชัดเจนว่า เท่าอายุ การศึกษาสถานะ และแอตทริบิวต์สถานภาพจะได้รับในระหว่างการทดสอบการถ่ายโอนของวัตถุมนุษย์แอตทริบิวต์ข้อมูล:-- 1. ชื่อ: แตกต่างสำหรับแต่ละอินสแตนซ์ และเป็นตัวแทนตัวเลข-- 2. งานอดิเรก: กำหนดค่าระหว่าง 1 และ 3-- 3. อายุ: กำหนดค่าระหว่าง 1 และ 4-- 4. ระดับการศึกษา: กำหนดค่าระหว่าง 1 และ 4-- 5. สถานภาพ: กำหนดค่าระหว่าง 1 และ 4-- 6. คลาส: มูลค่าระหว่าง 1 และ 3สำหรับการทดลองนี้ทำงานเรามีการเปลี่ยนชุดข้อมูลของเราในรูปแบบไบนารี (0, 1) เราสามารถแทนค่าแต่ละค่าของแอตทริบิวต์ ด้วยไบนารีเหมาะในตัวอย่างนี้ เราจะใช้ 80% ของข้อมูลสำหรับเครือข่ายการฝึกอบรมและ 20% ของข้อมูลสำหรับการทดสอบก่อนที่จะเริ่มอ่านของเราทดลองเราแนะนำให้รับแรก คุ้นเคยเพิ่มเติมกับสตูดิโอ Neuroph และ Perceptron.You หลายชั้นสามารถทำที่คลิกที่ลิงค์ด้านล่าง:เริ่มต้น Neuroph Studio Getingเพอร์เซปตรอนแบบหลายชั้นออกแบบเครือข่ายที่นี่คุณสามารถดูโครงสร้างของเครือข่ายของเราด้วยอินพุต เอาต์พุต และเซลล์ประสาทที่ซ่อนอยู่ในชั้นกลาง

ผลลัพธ์ (ไทย) 2:

เฮย์สโรทชุดข้อมูลตัวอย่างของปัญหาการจำแนกชนิดของข้อมูลหลายตัวแปรโดยใช้ Neuroph โดยซาวา Necin คณะองค์การวิทยาศาสตร์มหาวิทยาลัยเบลเกรดการทดลองสำหรับระบบอัจฉริยะหลักสูตรความรู้เบื้องต้นในตัวอย่างนี้เราจะได้รับการทดสอบ Neuroph 2.4 กับเฮย์สโรทชุดข้อมูล ซึ่งสามารถพบได้ที่นี่ หลายสถาปัตยกรรมจะพยายามออกและจะได้รับการพิจารณาว่าคนที่เป็นตัวแทนของการแก้ปัญหาที่ดีในการแก้ไขปัญหาและคนที่ทำไม่ได้. ครั้งแรกที่นี่มีบางข้อมูลที่เป็นประโยชน์เกี่ยวกับเฮย์สโรทชุดข้อมูลของเรา: ชุดข้อมูลลักษณะ: หลายตัวแปรอินสแตนซ์ : 160 ลักษณะแอตทริบิวต์: หมวดหมู่จำนวนแอตทริบิวต์: 5 ที่เกี่ยวข้องงาน: การจำแนกประเภทแนะนำปัญหาฐานข้อมูลนี้มี 5 คุณสมบัติที่เป็นตัวเลขมูลค่า เพียงส่วนย่อยของ 3 ถูกนำมาใช้ในระหว่างการทดสอบ (หลัง 3) ล. บางกรณีอาจจะอยู่ในประเภทใด 0 หรือ 1 ผมได้ทำตามข้อเสนอแนะของผู้เขียนวางไว้ในแต่ละหมวดหมู่มีโอกาสที่เท่าเทียมกัน ฉันได้ถูกแทนที่ด้วยค่าที่แท้จริงของคุณลักษณะ (เช่นงานอดิเรกที่มีค่าหมากรุก, กีฬาและแสตมป์) ที่มีค่าที่เป็นตัวเลข ผมคิดว่านี่เป็นวิธีการที่ผู้เขียน 'ทำอย่างนี้เมื่อการทดสอบรูปแบบการจัดหมวดหมู่ที่อธิบายไว้ในกระดาษ ผมพบว่าไม่เป็นธรรมนี้ ในขณะที่อาสาสมัครก็สามารถที่จะนำความรู้พื้นหลังจะทนอยู่กับค่าแอตทริบิวต์และความสัมพันธ์ของพวกเขาขั้นตอนวิธีการที่ถูกให้กับไม่มีความรู้ดังกล่าว ฉันไม่แน่ใจว่าคุณลักษณะรำคาญ 2 (ชื่อและงานอดิเรก) จะนำเสนอให้กับอัลกอริทึมของผู้เขียนในระหว่างการทดสอบ แต่ก็เป็นที่ชัดเจนว่ามีเพียงอายุสถานะการศึกษาและแอตทริบิวต์สถานภาพการสมรสจะได้รับในช่วงวิชามนุษย์ 'ทดสอบการถ่ายโอน. ข้อมูลแอตทริบิวต์: - 1. ชื่อ: ที่แตกต่างกันเช่นกันและเป็นตัวแทนตัวเลข- 2. งานอดิเรก: เล็กน้อย ค่าระหว่าง 1 และ 3 - 3. อายุ: ค่าเล็กน้อยระหว่าง 1 และ 4 - 4. ระดับการศึกษา: ค่าเล็กน้อยระหว่าง 1 และ 4 - 5. สถานภาพ: ค่าเล็กน้อยระหว่าง 1 และ 4 - 6 ระดับ:. ค่าเล็กน้อยระหว่างวันที่ 1 และ 3 สำหรับการทดสอบนี้ในการทำงานเราต้องแปลงข้อมูลของเราตั้งอยู่ในรูปแบบไบนารี (0, 1) เราแทนที่แต่ละค่าแอตทริบิวต์มีการรวมกันไบนารีที่เหมาะสม. ในตัวอย่างนี้เราจะใช้ 80% ของ . ข้อมูลสำหรับการฝึกอบรมเครือข่ายและ 20% ของข้อมูลสำหรับการทดสอบก่อนที่คุณจะเริ่มต้นการอ่านการทดลองของเราที่เราขอแนะนำให้ครั้งแรกที่ได้รับเพิ่มเติมคุ้นเคยกับ Neuroph Studio และเลเยอร์หลาย Perceptron.You สามารถทำเช่นนั้นได้โดยคลิกที่ลิงค์ด้านล่าง: Neuroph สตูดิโอ geting เริ่มต้นหลายชั้น Perceptron การออกแบบเครือข่ายนี่คุณสามารถเห็นโครงสร้างของเครือข่ายของเรากับปัจจัยของเอาท์พุทและเซลล์ประสาทที่ซ่อนอยู่ในชั้นกลาง

ผลลัพธ์ (ไทย) 3:

เฮย์สรอธชุดข้อมูลตัวอย่างของข้อมูลประเภทการใช้ neuroph ปัญหาพหุตัวแปรโดย Sava necin คณะองค์การวิทยาศาสตร์ มหาวิทยาลัยเบลเกรดการทดลองสอน ระบบอัจฉริยะแนะนำในตัวอย่างนี้เราจะทดสอบ neuroph 2.4 กับเฮย์ รอธชุดข้อมูลที่สามารถพบได้ : ที่นี่ หลาย ๆ สถาปัตยกรรมจะพยายามออกและมันจะถูกกำหนดว่าคนที่แสดงเป็นทางออกที่ดีสำหรับปัญหานี้ และคนที่ไม่ครั้งแรกที่นี่มีบางข้อมูลที่เป็นประโยชน์เกี่ยวกับข้อมูล เยส รอธ ของเราตั้ง :ลักษณะ : ชุดข้อมูลหลายตัวแปรหมายเลขของอินสแตนซ์ : 160คุณลักษณะคุณสมบัติ : เด็ดขาดจำนวนของแอตทริบิวต์ : 5ข้อมูลงานที่เกี่ยวข้อง :แนะนำปัญหาฐานข้อมูลนี้ประกอบด้วย 5 ตัวเลขค่าแอตทริบิวต์ เฉพาะชุดย่อยของ 3 ใช้ในการทดสอบ ( หลังที่ 3 ) .บางกรณีอาจอยู่ในประเภท 0 หรือ 1 ผมได้ทำตามที่ผู้เขียนแนะนำการวางพวกเขาในแต่ละประเภท มีความน่าจะเป็นเท่ากัน ผมเปลี่ยนค่าของแอตทริบิวต์ ( i.e . , Hobby ค่าหมากรุก , กีฬาและแสตมป์ ) ที่มีค่าเป็นตัวเลข ฉันคิดว่านี้เป็นวิธีที่ผู้เขียนได้นี้เมื่อทดสอบแบบจำลองการจัดหมวดหมู่ไว้ในกระดาษ ฉันพบนี้ไม่เป็นธรรม ในขณะที่ครูสามารถนำความรู้พื้นฐานที่จะแบกบนค่าแอตทริบิวต์ และความสัมพันธ์ของอัลกอริทึมได้รับการไม่มีความรู้ ผมไม่แน่ใจว่า 2 แบบแอตทริบิวต์ชื่อและงานอดิเรก ) ถูกนำเสนอให้ผู้เขียนขั้นตอนวิธีในระหว่างการทดสอบ อย่างไรก็ตาม เป็นที่ชัดเจนว่า อายุ ระดับการศึกษา สถานภาพสมรส และลักษณะวิชาที่ได้รับในระหว่างมนุษย์รับการทดสอบข้อมูลคุณสมบัติ :-- 1 . ชื่อ : ที่แตกต่างกันสำหรับแต่ละตัวอย่างและแสดงสามารถ-- 2 . งานอดิเรก : ค่าปกติในช่วงระหว่าง 1 และ 3-- 3 . อายุ : ค่าปกติในช่วงระหว่าง 1 และ 4-- 4 . ระดับการศึกษา : ค่าปกติในช่วงระหว่าง 1 และ 4-- 5 . สถานภาพ : ค่าปกติในช่วงระหว่าง 1 และ 4. . 6 . ชั้น : ค่าเล็กน้อยระหว่าง 1 และ 3สำหรับการทดลองงานนี้เราต้องแปลงข้อมูลในรูปแบบไบนารี ( 0 , 1 ) เราแทนที่แต่ละค่าแอตทริบิวต์การไบนารีที่เหมาะสมในตัวอย่างนี้เราจะใช้ 80% ของข้อมูลสำหรับการฝึกอบรมเครือข่ายและ 20% ของข้อมูลเพื่อทดสอบมันก่อนที่คุณจะเริ่มต้นการอ่านของเราเราขอแนะนำให้ทดลองก่อนได้คุ้นเคยกับสตูดิโอและ neuroph ธรรมดามัลติเลเยอร์เพิ่มเติม คุณสามารถทำมันได้โดยการคลิกที่ลิงค์ด้านล่าง :neuroph สตูดิโอได้เริ่มเพอร์เซปตรอนหลายชั้นการออกแบบระบบเครือข่ายที่นี่คุณสามารถเห็นโครงสร้างของเครือข่ายของเรากับของปัจจัยการผลิต ผลผลิต และเซลล์ประสาทที่ถูกซ่อนไว้ในชั้นกลาง