Interaktiv: Klassifikation mit neuronalem Netz

Neuronale Netze sind wohl die berühmt-berüchtigtsten unter den maschinellen Lernverfahren. Hier sehen wir eines in Aktion, wie es auf Basis vorgegebener Datenpunkte (farbige Punkte), insbesondere deren x- und y-Positionen sowie Klassen (Farben), trainiert wird (geht sehr schnell). Anschließend teilt es die Fläche in blaue und orangefarbige Bereiche ein. Neue Datenpunkte würden somit je nach Position die entsprechende Farbe erhalten (Klassifizierung). Das neuronale Netz besteht hier aus drei Schichten: der Input-Schicht, bestehend aus zwei Neuronen (für x- und y-Wert), dem „hidden layer“, dessen Neuronenzahl verändert werden kann, sowie der Output-Schicht, bestehend aus nur einem Neuron. Der Wert des letzteren entscheidet, ob ein Punkt blau oder orange eingefärbt wird.

in Erstellung

Du kannst Datenpunkte mit der Maus verschieben, löschen (nach unten links aus dem Bild ziehen) oder neu hinzufügen (Buttons oben rechts). Bei jeder solchen Veränderung wird das neuronale Netz neu trainiert, wodurch sich die Einfärbung der Fläche ändert: Punkten in blauen Bereichen weist das neuronale Netz die Kategorie „blau“, Punkten in orangefarbenen Gebieten die Kategorie „orange“ zu. Mit dem oberen Schieberegler kannst du einstellen, wie viele Neuronen die mittlere Schicht („hidden layer“) umfasst.

Beachte, dass das Training eines neuronalen Netzes von zufälligen Startwerten für die internen Parameter ausgeht, weswegen die Ergebnisse auch bei gleichbleibenden Trainingsdaten leicht verschieden ausfallen können. Dies erklärt das „Flattern“ der erzeugten Entscheidungsgrenze, wenn ein Punkt für längere Zeit angeklickt wird, da währenddessen das Training immer wieder erneut durchgeführt wird.