در برآوردیابی و پیشگویی از آن‌جایی که شبکه های عصبی خروجی های پیوسته را تولید می‌کنند، می‌توان از آن‌ها برای برآوردیابی و پیشگویی استفاده نمود. به عنوان مثال، فرض کنید می‌خواهیم قیمت یک سهام خاص را در سه ماه آینده پیش بینی کنیم. هم چنین فرض کنید که اطلاعات قیمت را با استفاده از نرمال سازی مینیمم-ماکسیمم کدگذاری کرده‌ایم. اما شبکه عصبی، مقادیر بین صفر ویک را به عنوان خروجی تولید می‌کند و قیمت پیش بینی شده سهام را نمایش نمی‌دهد.
بنابراین، باید عکس عمل نرمال سازی مینیمم – ماکزیمم انجام شود که در نتیجه آن، خروجی شبکه عصبی را می‌توان در مقیاس قیمت سهام درک نمود. در حالت کلی، این فرآیند برآوردیابی و پیشگویی عکس نرمال سازی به صورت زیر است:

مینیمم + (دامنه داده ها) خروجی = برآوردیابی و پیشگویی

در فرمول بالا، خروجی نشان دهنده خروجی شبکه عصبی در بازه (0 و 1) است، دامنه داده ها، نشان دهنده دامنه مقادیر اصلی خصیصه در مقیاس نرمال سازی نشده است و مینیمم، نشان دهنده کوچک‌ترین مقدار خصیصه در مقیاس نرمال سازی نشده است. رابین هوش اولین شرکت دیجیتال مارکتینگ برمبنای هوش مصنوعی برای اطلاعات بیشتر کلیک کنید. به عنوان مثال، فرض کنید که قیمت سهام بین 20 تا 30 دلار و خروجی شبکه نیز 0.69 است. قیمت سهام مذکور در سه ماه آینده به صورت زیر محاسبه می‌شود.

دلار  0.69 (10) + 20 = 26.90 = مینیمم + (محدوده داده ها) خروجی = برآوردیابی و پیشگویی

برآوردیابی و پیشگویی به کمک شبکه های عصبی

مثال ساده ای از یک شبکه عصبی

 یک شبکه عصبی شامل شبکه لایه‌ای ، پیش خور و کاملا متصل از نرون های مصنوعی یا گره هاست. ماهیت پیش خور شبکه، جریان شبکه را در یک جهت محدود می‌کند و باعث جلوگیری از ایجاد حلقه یا چرخه می‌شود. شبکه عصبی دارای دو لایه یا بیشتر است، ولی اکثر شبکه ها شامل سه لایه هستند: لایه ورودی، لایه پنهان و لایه خروجی گاها ممکن است بیش از یک لایه پنهان در شبکه وجود داشته باشد، اگرچه بیشتر شبکه های عصبی تنها دارای یک لایه پنهان هستند، که برای بسیاری از مقاصد کافی است. شبکه عصبی کاملا به هم پیوسته و متصل است، به این معنا که هر گره در هر لایه به تمام گره های لایه بعدی متصل است، اما به دیگر گره های لایه خود متصل نیست. هر اتصال بین گره ها دارای یک وزن (مانند WA) است. ابتدا، به این وزن ها به صورت تصادفی مقادیر بین صفر و یک تخصیص داده می‌شود.
تعداد گره های ورودی، معمولا به تعداد و نوع خصیصه های مجموعه داده ها بستگی دارد.  با استفاده از خدمات دیجیتال مارکتینگ برمبنای هوش مصنوعی شرکت رابین هوش می‌توانید به کسب و کار خود رونق ببخشید. تعداد لایه های پنهان و تعداد گره های هر لایه پنهان توسط کاربر تعیین می‌شود. ممکن است بیش از یک گره در لایه خروجی وجود داشته باشد، تعداد این گره ها به طبقه بندی در دست انجام بستگی دارد.

برآوردیابی و پیشگویی به کمک شبکه های عصبی

چند گره باید در لایه پنهان قرار گیرد؟ از آنجایی که گره های بیشتر در لایه های پنهان، باعث افزایش توان و انعطاف شبکه در شناسایی الگوهای پیچیده می‌شود، ممکن است وسوسه شوید که تعداد گره های زیادی را در لایه پنهان قرار دهید. یک لایه پنهان بزرگ، باعث ایجاد بیش برازش (به یاد آوردن مجموعه داده های آموزش هنگام تعمیم مدل به مجموعه داده های معتبر سازی می‌شود.
اگر پدیده بیش برازش اتفاق بیفتد، باید تعداد گره های لایه پنهان را بررسی کنید. بالعکس، اگر دقت آموزش به طور غیر قابل قبولی کم باشد، می‌توانید گزینه افزایش گره های لایه پنهان را امتحان نمایید.اگر می‌خواهید برای تبلیغ کسب وکارتان در شبکه های اجتماعی از رقبایتان پیشی بگیرید روی ارتباط سریع با سلبریتی ها کلیک کنید.
لایه ورودی، ورودی ها (از قبیل مقادیر خصیصه ها) را از مجموعه داده ها می‌پذیرد و به طور ساده این مقادیر را بدون انجام پردازش بیشتر به لایه پنهان منتقل می‌کند. بنابراین، گره های لایه ورودی، ساختاری مشابه با ساختار گره های لایه پنهان و لایه خروجی ندارند.

پس انتشار خطا

شبکه عصبی چگونه یاد می‌گیرد؟ شبکه های عصبی یک روش یادگیری باناظر را نشان می‌دهند و برای این کار، نیازمند یک مجموعه بزرگ آموزش از رکوردهای کامل (رکوردهایی که شامل متغیر هدف هستند) است. از آن‌جا که هر مشاهده از مجموعه آموزش به وسیله شبکه مورد پردازش قرار می‌گیرد، یک مقدار خروجی از گره خروجی تولید می‌گردد. فرض کنید فقط یک گره خروجی وجود دارد. سپس این مقدار خروجی با مقدار واقعی متغیر هدف این مشاهده از مجموعه آموزش، مقایسه می‌شود و خطا (مقدار خروجی – مقدار واقعی) محاسبه می‌شود. این خطای پیش بینی، مشابه باقیمانده‌ها در مدل رگرسیون است. بیشتر مدل های شبکه عصبی برای اندازه گیری میزان انطباق پیش بینی ها با مقادیر واقعی هدف، از مجموع مربعات خطا (SSE) استفاده می‌کنند.
به عبارت دیگر، مجموع مربعات خطای پیش بینی روی تمام گره های خروجی و روی تمام رکوردهای مجموعه آموزش، محاسبه می‌گردد.  برای اطلاع از قیمت دیجیتال مارکتینگ بر مبنای هوش مصنوعی کلیک کنید.
بنابراین، مسأله این است که یک مجموعه از وزن‌های مدل جهت حداقل کردن SSE ایجاد گردد. بدین ترتیب، وزن‌ها مشابه پارامترهای مدل رگرسیونی هستند. مقدار درست وزن‌ها نامعلوم است و کار ما بر آورد آن‌ها با استفاده از مجموعه داده هاست. به دلیل غیر خطی بودن ماهیت تابع سیگموئید، هیچ راه حل تحلیلی برای حداقل کردن مقدار SSE همانند رگرسیون حداقل مربعات وجود ندارد.

برای مطالعه مقاله های دیگر در زمینه‌ی تحلیل داده کلیک کنید.