Нейросети: реализация задачи про грибы на Tensor Flow и Python

[algotrader2013]

Для грибов (если немного углубиться в предметную область) чрезвычайно важно минимизировать вероятность определения плохого гриба, как хорошего, и намного менее важно минимизировать вероятность обратной ошибки, думаю, почему так — очевидно. Программа, написанная с учетом этого момента, была бы намного интереснее.

[SegreyBorovkov]

Думаю, для этого достаточно изменить порог принятия гриба как съедобного.

[excoder]

Интересно было бы добавить оценку вероятности 0 или 1, а не просто класс.

[Vinchi]

Входных параметров 22, выходной 1, откуда число 98? Можно подробнее почему так?

[kanadez]

Каждый из 22-х параметров имеет несколько значений. Всего таких различных значений 98 штук.

[OldSpy]

Таким образом можно делать предсказания на основе любых данных, будь то грибы, люди

Неужели действительно по каким-то внешним признакам можно сразу определить, что перед тобой «гнилой» человек?

[kreo_OL]

Если открыть несколько книг на эту тему — то да, можно.
У любой черты человека есть свое проявление во внешности, образе, движениях, микродвижениях, манере речи и тд. Человек обычно не в состояние это все запомнить, а потом и заметить и проанализировать. А вот компьютер в принципе может.

[masai]

Так какая в итоге точность получилась?

[Vinchi]

1, т.е. видимо 100%, я пробовал уменьшить шаги и сделать только один слой — получилось 91%. К коду много вопросов, так как он испольузет некоторые устаревшие команды, много варнингов от tf прилетело. И вот еще — при перезапуске и смене параметров точность не менялась, пока папку не удалил. Вопроса:
Как вызвать с диска уже обученную модель?
Как сбросить в коде обученную модель, чтобы он при перезапуске заново обучал?

[kanadez]

Для того, чтобы вызвать с диска обученную модель, достаточно закомментировать строки с обучением и калибровкой модели.

# Тренируем нейросеть
# classifier.fit(input_fn=get_train_inputs, steps=2000)

# Нормализуем нейросеть с помощью тестового набора данных
# accuracy_score = classifier.evaluate(input_fn=get_test_inputs,
# steps=1)["accuracy"]

# print("\nТочность предсказаний: {0:f}\n".format(accuracy_score))

Чтобы сбросить обученную модель и она заново обучалась — снова раскомментируйте.

[ELEKTRO_YAR]

И предсказывать, например, вероятность аритмии у больного в будущем или курс движения котировок акций на бирже.

Насчет котировок, эта задача сложнее, чем съедобность грибов определять. Данные сильно зашумленные. Некоторые закономерности, если оные конечно существуют, проще будет выявить вручную, чем пытаться научить нейросеть достаточно точно давать прогноз. По моему опыту использования нейросетей для котировок валютных пар могу сказать, что в разы проще провести анализ большого объема данных и найти некоторую закономерность вручную, и использовать стандартные индикаторы. А использовать подход «в лоб» с нейросетями ничего не даст, бесполезно пытаться брать последние N баров и пытаться предсказать следующий бар.