Uitleg elementen in deze app

invoervelden

lagen

In brain.js definieer je het netwerk via een lijst van getallen. Deze lijst geef je op in het veld lagen. In het of-poort voorbeeld, is de lijst leeg []. Dit betekent dat er geen verborgen laag is, ofwel de input is direct gekoppeld aan de output node. Deze situatie is gelijk aan het perceptron voorbeeld uit hoofdstuk neuraalnetwerk 1. In het xor voorbeeld is deze lijst [2]. Dit betekent dat er één verborgen laag is met 2 knopen. Het tussen twee lijnen voorbeeld tenslotte geeft met de lijst [2,2] dat er twee verborgen lagen zijn (twee getallen in de lijst) zowel in de eerste als in de tweede verborgen laag zijn er 2 knopen. In deze app zijn er maximaal 2 verborgen lagen in te voeren. Brain.js heeft deze beperking niet.

leersnelheid

Zoals in het hoofdstuk neuraalnetwerk 1 is aangegeven kan het gebeuren dat de stap in het iteratieve leerproces te groot is om het leerproces goed af te ronden. Met het invoerveld leersnelheid kun je stapgrootte aanpassen. De leersnelheid is een factor tussen 0 en 1 waarmee de fout (deze bepaald de grootte van stap) kan worden gecorrigeerd.

grens fout

Het leerproces moet ergens stoppen. Brain.js biedt een mogelijkheid om te stoppen als de fouten ten opzichte van de trainingsdata klein genoeg is geworden. Deze grens kun je zelf aangeven in het invoerveld grens fout.

max aantal iteraties

Een andere mogelijkheid is het zetten van een grens aan het aantal leerstappen(iteraties) in het invoerveld max aantal iteraties.

activeringsfunctie

In logische schakelingen is de output 0 of 1. De sigmoïde activeringsfunctie (neuraalnetwerk 1) is hiervoor geschikt. Bij de voorbeelden van de twee lijnen is de output -1 of 1, daar past de tangens hyperbolicus meer bij.

trainigsdata

Trainingsdata in brain.js moeten worden geleverd als een lijst van objecten
[object₁,object₂, ... ,object_n ].
Ieder object moet een input en een output lijst bevatten en in de volgende vorm worden aangeboden:
{ input: [ ... ], output: [ ... ]}

venster tekening

Als een laag 2 knopen bevat dan maakt deze app er een grafische voorstelling van. Het venster kun je bepalen door de volgende lijst in dit veld te plaatsen [xmin,ymax,xmax,ymin]

wat is de voorspelling voor

Voer hier een lijst in met de zelfde dimensie per punt als een punt in de input lijst van het veld trainingsdata.

uitvoervelden

Invoer in x₁,x₂ diagram

Grafische weergave van de input per en de laag en de vergelijkingen die door de training in de knopen van die laag zijn ontstaan. Blauwe punten hebben een gewenste output groter dan 0.5, rode punten lager dan 0.5

Vergelijkingen

Iedere knoop traint een lineaire vergelijking in de vorm w₁x₁+w₂x₂+...+w_nx_n=w₀$, waarin n het aantal knopen uit de vorige laag is, de x-en zijn de waarden die uit de knopen van de vorige laag komen en de w's zijn de getrainde gewichten waarmee output wordt voorspeld. x₁ is de as behorende bij het eerste getal in de invoer van een punt, x₂ de as bij het tweede getal, enz.. Om vergelijkingen onderling te kunnen vergelijken wordt er eerst een geschaalde versie gegeven, alle gewichten zijn dan door w₁ gedeeld.

Voorspellingen

In het veld voorspellingen wordt alle trainingsdata vergeleken met de uitvoer van het netwerk. Zijn er verborgen lagen dan wordt ook de invoer naar de volgende laag gegeven. Iedere foute voorspelling geeft een rode regel in de lijst voorspellingen.

Als het leerproces stopt als het maximale aantal stappen is gepasseerd, is het leerproces waarschijnlijk niet succesvol. In het uitvoerveld Iteraties kun je dan zien of de fout nog steeds voldoende afneemt. Als dat het geval is verhoog dan het maximum aantal iteraties. Als dit niet het geval is moet of de leersnelheid worden verkleind of er moet een ander netwerk worden gemaakt.

Netwerk

In dit uitvoer veld zie je een grafische voorstelling van het netwerk dat in het veld lagen is aangegeven.

Iteraties

In dit veld kun je de progressie zien van het netwerk tijdens het leren.

Status

In dit veld wordt de volledige status van het brain netwerk weergegeven. Je ziet een aantal van deze waarden heb je zelf in de invoervelden kunnen invullen. Wil je meer weten ga dan naar brain.js.