taralino

Visualisierung

Auch in diesem Abschnitt betrachten wir die gleiche Klassifikationsaufgabe wie zuvor, die auch wieder mit dem üblichen neuronalen Netz gelöst wird:

In der folgenden Anwendung nutzen wir jedoch eine andere Visualisierung der Ergebnisse. Dargestellt sind die Punkte der Testdaten, wobei korrekt klassifizierte Punkte in Cyan und nicht korrekt klassifizierte Punkte in Orange dargestellt werden.

Anwendung

Bewege den Mauszeiger über die Testdaten und vergleiche das gewünschte Ausgangssignal mit dem Ausgangssignal des neuronalen Netzes.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
</head>
<body>
<script>

var X = ClassificationData.get(1000, {categories:3, shape:"mixed"});
var Y = ClassificationData.get(1000, {categories:3, shape:"mixed"});
var i = 0;
var j = -1;
NeuralNetwork.init([2,4,3]);


function distance(x1, y1, x2, y2) {
  var t1 = x1-x2;
  var t2 = y1-y2;
  return t1*t1 + t2*t2;
};

function find_nearest(x, y) {
  var i = 0;
  var h = distance(x, y, Y[0].input[0], Y[0].input[1]);
  for (var j = 1; j < Y.length; j++) {
    var s = distance(x, y, Y[j].input[0], Y[j].input[1]);
    if (s < h) { h = s; i = j; }
  };
  return i;
};

function index_color(u) {
  if (u == 0) return "red";
  if (u == 1) return "green";
  if (u == 2) return "blue";
};

function label() {
  if (j >= 0) {
    var M = Y[j].input;
    var c = index_color(NeuralNetwork.evaluate(M, {output:"index"}));

    Canvas.circle(M[0], M[1], 0.01, {fill:"none", stroke:"black"});

    Canvas.rect(M[0], M[1]+0.18, 0.48, 0.32, {fill:[255,255,255,236]});

    Canvas.text(M[0], M[1]+0.28, "soll sein:");
    Canvas.circle(M[0]+0.13, M[1]+0.28+0.0035, 0.018, {fill:Y[j].color});
    var p = Y[j].output;
    Canvas.text(M[0], M[1]+0.22, "["+p[0].toFixed(2)+", "+p[1].toFixed(2)+", "+p[2].toFixed(2)+"]");

    Canvas.text(M[0], M[1]+0.13, "ist aktuell:");
    Canvas.circle(M[0]+0.13, M[1]+0.13+0.0035, 0.018, {fill:c});
    var t = NeuralNetwork.evaluate(M);
    Canvas.text(M[0], M[1]+0.07, "["+t[0].toFixed(2)+", "+t[1].toFixed(2)+", "+t[2].toFixed(2)+"]");
  };
};

function draw() {
  Canvas.clear();

  for (var k = 0; k < Y.length; k++) {
    var M = Y[k].input;
    var u = NeuralNetwork.evaluate(M, {output:"index"});
    var c = (u == Y[k].index ? "cyan" : "orange");
    Canvas.circle(M[0], M[1], 0.01, {fill:c});
  };

  Canvas.text(0.5, 1.07, "Iterationsschritt #"+i.toFixed(0))

  label();
};

function setup() {
  Canvas.init([-0.2,1.2], [-0.1,1.2], {width:440, background:"lightgrey", scaling:"off"});
  draw();
  Animation.init({fps:12, autoplay:"off"});
  Button.add("reset", "Neustart");
  Button.add("start", "Start");
  Button.add("stop", "Pause");
  Button.add("step", "Schrittweise");
};

function loop() {
  NeuralNetwork.train(X, {iterations:50, batch_size:100});
  i += 50;
  draw();
};

function on_click(id) {
  if (id == "start") Animation.start();
  if (id == "stop") Animation.stop();
  if (id == "step") {
    Animation.stop();
    loop();
  };
  if (id == "reset") {
    Animation.stop();
    X = ClassificationData.get(1000, {categories:3, shape:"mixed"});
    Y = ClassificationData.get(1000, {categories:3, shape:"mixed"});
    i = 0;
    j = -1;
    NeuralNetwork.init([2,4,3]);
    draw();
  };
};

function on_mouse_move(x, y) {
  j = find_nearest(x, y);
  if (x < 0) j = -1;
  if (x > 1) j = -1;
  if (y < 0) j = -1;
  if (y > 1) j = -1;
  draw();
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit der Anwendung zuvor vertraut. Kannst du nachvollziehen, was genau dargestellt wird?