名前
weka.classifiers.functions.MultilayerPerceptron

---

構文
このニューラル・ネットワークは、訓練するのにバックプロパゲーションを使用します。

オプション
GUI -- guiインタフェースでは、持って来ます。 これはnueralネットワークの止まりと変わることを許すでしょう。 トレーニングの間※ ノードを加えるのは左クリックされます。(選択されて、このノードは自動的にそうになるでしょう。 他のノードが全く選択されなかったのを確実にしてください、).
※ 他のどんなノードも選択していない間、それでノード左クリックを選択するために 把持を選択するか、または制御キーの下側とゆったり過ごしてください、(これはそれを切り換えます。 ノード、入選していて.
を選択しません。※ ノードを接続して、最初に、スタートノードを選択させて、次に、クリックするために エンドノードか空きスペース、(これは新しいノードを作成するでしょう。 それが選択されたノードに関連づけられる、) 選択状態 ノードは接続の後に同じままでしょう。 (注意 指示された接続、2つのノードの間の接続もそうしないでしょう。 確立した一度より多くて確信している接続になってください。 無効であるのが作られないと考える、).
※ 接続を外すために、中で接続ノードの1つを選択します。 接続とその時がもう片方のノードを右クリックする、(それは重要ではありません。 ノードが接続が外される始めか終わりであり).
※ ノードを取り除くために、他のノードでない間、それを右クリックします。(それを含んでいます) 選択されます。 (また、これはすべての接続をそれに外すでしょう)
。※ deselectと、ノードはコントロールを押さえている間、それを左クリックします。 または、空きスペース
を右クリックしてください。※ 左のラベルから生の入力を提供する、
※ 赤いノードが隠された層である、
※ オレンジのノードが出力ノードである、
※ 右のラベルは出力ノードが表すクラスを見せます。 数値クラスと共に、出力ノードが自動的にあるのに注意してください。 unthresholded直線的なユニット

に作られています。ネットワークである間、ニューラル・ネットワークに変更することができるだけです。 また、走行、Thisが学んでいるレートで他に適用するということではありません。 コントロールのときに、パネル

をさばきます。※ あなたが、ネットワークをいつでも終わると受け入れることができる、
※ ネットワークが始めに自動的にポーズされる、
※ ネットワークがあるどんな時代の走行しるしがあるか。 またはその時代の(荒い)の誤りが何であるかということであった、(。 合法化がそれであるなら使用されている、) この誤りが評価する注意 値が計算されるように変化するネットワークに基づいています。 (また、よります。 クラスは正常にされて、数値のために報告された誤りに作用するということです。 クラス
※ いったんネットワークでつなぐと、再び止まるでしょう、そして、どちらかが、止まるのを待っています。 受け入れられたか訓練された以上

guiが設定されないとネットワークがいずれも必要としないのに注意してください。 相互作用


autoBuild -- ネットワークで隠された層を加えて、つなぎます。

debug -- trueに設定されると，分類学習アルゴリズムは追加インフォメーションをコンソールに出力します．

decay -- これで、学習率は減少するでしょう。 これは時代番号に始めの学習率を割るでしょう。 現在の学習率がどのくらいであるべきであるか決定してください。 これは助けるかもしれません。 ネットワークがまた、出力された目標からそれるのを止めるために 一般的な性能を向上させるので。 それに注意してください、腐食学習 レートはgui、元の学習率だけで示されないでしょう。.. guiで学習率を変えるなら、これを扱います。 学び始めて、評価してください。

hiddenLayers -- これはニューラル・ネットワークの隠された層を定義します。 これは陽の整数のリストです。 1 それぞれの隠された層のために。 コンマはseperatedされました。 隠された層を全く持っていないのはここにただ一つの0を置きました。 autobuildが設定される場合にだけ、これは使用されるでしょう。 ワイルドカードもあります。 'a'=(attribs+クラス)/2、'i'=attribs'o'=クラスを評価します。 , 'どんな'=attribs+も属しません。

learningRate -- 量 重りをアップデートします。

momentum -- アップデートの間に重りに適用された勢い。

nominalToBinaryFilter -- これはフィルタで例を前処理するでしょう。 これは、名目上の属性があれば性能を向上させるのを助けるかもしれません。 データで。

normalizeAttributes -- これは属性を正常にするでしょう。 これは、ネットワークの性能を向上させるのを助けるかもしれません。 これは数値であるクラスに頼っていません。 また、これはそうするでしょう。 また、名目上の属性を正常にしてください、(それらを実行してあります。 通じて、2進のフィルタへの名目上がそれであるなら使用) そうにある、それ 額面価格が-1と1の間あります。

normalizeNumericClass -- それが数値であるなら、これはクラスを正常にするでしょう。 これは、ネットワークの性能を向上させるのを助けるかもしれなくて、Itは正常にします。 -1と1の間あるクラス。 これが内部的にだけそうであるのに注意してください。, 出力は元のクラスに合わせて調整し返されるでしょう。

randomSeed -- 種子は以前はよく乱数発生器を初期化していました。初期の重りを設定します乱数が使用されている。 接続は、ノードをbetweemして、また、トレーニングデータをシャッフルするためにそうします。

reset -- これは低い学習率でリセットへのネットワークを許容するでしょう。 ネットワークがこれが自動的にそうする答えからそれるなら 低い学習率でネットワークをリセットしてください、そして、訓練し始めてください。 再び。 guiが設定されない場合にだけ、このオプションは利用可能です。 注意 しかし、ネットワークが分岐するなら、それはそれがそうするリセットに許容されていません。 トレーニングプロセスに失敗してください、そして、エラーメッセージを返してください。

trainingTime -- 訓練する時代の数。 合法化セットが非ゼロであるなら、それはネットワークを終えることができます。 早い

validationSetSize -- 合法化の割合サイズはセットしました。(それが観測されるまでトレーニングが続く、それ 合法化セットにおける誤りは一貫して得ることでした。 よりひどい、またはトレーニング・タイムに達している、).
Thisがゼロに設定されると、合法化セットは全く代わりに使用されないでしょう。 ネットワークは時代の指定された数に備えて訓練するでしょう。

validationThreshold -- 検認試験を終えるのにおいて、使用されています。ここの値は、合法化が何回並んで、セットしたかを決めます。 トレーニングが終えられる前に誤りは、より悪くなることができます。