Maschinelles Lernen und Datenanalyse

In der Soziologie

PD Stefan Bosse

Universität Bremen - FB Mathematik und Informatik

1 / 33

Klassifikation mit Künstlichen Neuronale Netze

Zielvariablen: Numerische Variablen

Eigenschaftsvariablen: Numerische Variablen

Modell: Gerichteter Graph (zyklisch oder azyklisch)

Training und Algorithmen: Backpropagation

Klasse: Überwachtes Lernen

2 / 33

Künstliche Neuronale Netze

Ein Künstliches Neuronales Netz (KNN) ist ein gerichteter Graph bestehend aus einer Menge von Knoten N und Kanten E die die Knoten verbinden
- Knoten: Neuron oder Perzeptron mit einem oder mehreren Eingängen I und einem Ausgang o; Berechnungsfunktion g(I): I → o
- Kanten: Gewichteter Datenfluß vom Ausgang eines Neurons zum Eingang eines anderen (oder des selben) Neurons

Ein KNN ist eine Komposition aus einer Vielzahl von Abbildungsfunktionen G=(g₁,g₂,..,g_m). Es gibt Parallelen zu Regressionsverfahren mit Funktionen.

3 / 33

Zusammengefasst ausgedrückt:

$\begin{gathered} M(X):X \to Y,X = \{ {x_i}\} ,Y = \{ {y_j}\} \hfill \\ KNN = \left\langle {{N_x},{N_d},{N_y},E} \right\rangle \hfill \\ {N_x} = \{ {n_i} : n_i \leftrightarrow \{x_j\} \} ,{N_d} = \{ n_d \}, {N_y} = \{ {n_k}: n_k \leftrightarrow y_k\} \hfill \\ n = g(\vec{p},\vec{w},b): \vec{p}\rightarrow o = f(\sum_i w_ip_i+b) \hfill \\ E = \{ {e_{ij}}:{n_i} \mapsto {n_j}w_{ij} \} \hfill \ \end{gathered}$

f ist eine Transferfunktion die die akkumulierten Eingangswerte auf den Ausgangswert o abbildet, und g ist dann die gewichtete und akkumulative Transferfunktion

4 / 33

Unterschied (künstliches) Neuron und Perzeptron:
- Ein Neuron ist immer eine Elementarzelle
- Ein Perzeptron kann ein einzelnes Neuron oder ein Netzwerk aus Neuronen beschreiben
Daher gibt es:
- Single Layer Perceptron (SLP) → Nur Eingangs- N_x und Ausgangsneuronen N_y
- Multi Layer Perceptron (MLP) → + Innere Neuronen N_d

5 / 33

Das Neuron

15 Ein einzelnes Neuron mit einem einzelnen Eingang p und einem Ausgang o. w ist ein Gewichtungsfaktor (ein Gewicht für eingehendes p) und b ist ein Bias (Offset)

6 / 33

Das Mehreingangsneuron

15 Ein einzelnes Neuron mit einem Eingangsvektor p und einem skalaren Ausgang o. w ist ein Gewichtungsfaktorvektor (ein Gewicht für eingehendes p) und b ist ein Bias (Offset)

7 / 33

Neuronale Netze und Matrizen

Neuronale Netze werden durch eine Graphenstruktur (statische Paremeter) und mathematisch durch Matrizen (dynamische Parameter) beschrieben:

15 Ein einzelnes Neuron mit einem Eingangsvektor p und einem skalaren Ausgang o. w ist ein Gewichtungsfaktorvektor (ein Gewicht für eingehendes p) und b ist ein Bias (Offset); jetzt in Matrizenform (Annotation)

8 / 33

Schichten von Neuronalen Netzen

I.A. werden Neuronen von neuronalen Netzen in Schichten (Layern) angeordnet und gruppiert
- Günstig für Matrixalgebra
- Aber nicht notwendig!

Neuronales Netzwerk mit Neuronen in einer Schicht angeordnet

9 / 33

Struktur eines KNN

15 label Grundlegende Struktur eines KNN mit Matrizen (blaue Ellipse=1 Neuron)

10 / 33

Vereinfachte Form eines KNN

15 label Vereinfachte Struktur eines KNN mit Matrizen

11 / 33

Klassen von KNN

Forwärtsgekoppelte Netzwerke: Azyklischer gerichteter Graph, d.h. es gibt nur eine Vorwärtspropagation von einer Schicht zur nächsten (keine Rückkopplung).

Diese Netzwerke können rein funktional beschrieben und berechnet werden.
Es gibt keinen Zustand!
D.h. die aktuellen Ausgangswerte hängen nur von den aktuellen Eingangswerten ab!

12 / 33

Rückgekoppelte Netzwerke: Zyklischer gerichteter Graph, d.h. es gibt Rückkopplungen (Ausgang eines Neurons geht in Eingänge der aktuellen oder vorherigen Schichten).

Diese Netzwerk können nicht rein funktional beschrieben und berechntet werden!
Sie besitzen einen Zustand, d.h. der Ausgangswert hängt von der Historie vergangener Eingabewerte ab!

13 / 33

Transferfunktion

Auch Aktivierungsfunktion genannt (in Anlehnung an biologische Vorbild)
- Biologisch: Häufig eine Schwellwertfunktion
- Künstlich / ML: Auch lineare Übertragunsfunktionen!
Es gibt eine Vielzahl verschiedener Funktionen
- Die einfachste wäre (wenn auch wenig in Gebrauch): $f(a)=a$

Warum ist eine solche Übertragungsfunktion ungeeignet bzw. problematisch?

14 / 33

Welche mathematischen Eigenschaften (Übertragungskurve) sollte wohl eine Transferfunktion besitzen?
- Zur Erinnerung: Wir nehmen an dass der Wertebereich von einem x ≈ [-1,1] ist. Ebenso für ein y ≈ [-1,1].

Diskretisierung×
Treppenfunktion×
Begrenzung×
LogF×
Positive Werte×
No search results.

15 / 33

Transferfunktionen besitzen häufig begrenzende Eigenschaften (Sättigungsverhalten), und nicht lineares Übertragungsverhalten

15 label Verschiedene gebräuchliche Transferfunktionen f(a)

16 / 33

Ein einfaches Neuron - Funktional

$f_{sigmoid}(a) = \frac{1}{1+e^{-a}} \\ g(x_1,x_2,x_3) = f_{sigmoid}(b + \sum w_ix_i)$

17 / 33

Parametersatz des KNN

Statische Parameter

Anzahl der Eingangsneuronen (verbunden mit x), abhängig von der Anzahl der Eingabevariablen |x| und der Kodierung (numerisch vs. kategorisch)
Anzahl der Ausgangsneuronen (abhängig von der Kodierung). Bei numerischen Zielvariablen y gilt also: |N_y|=|y|
Anzahl der inneren verdeckten Neuronen |N_d| und deren Anordnung in Schichten
D.h. die Konfiguration des Netwerkes ist [c₁,c₂,..,c_m] bei m Schichten und c_i Neuronen pro Schicht

18 / 33

Bei vollständig verbundenen Schichten ist keine Angabe der Vernetzung notwendig

Dynamische Parameter

Im wesentlichen die Gewichtematrix W_i (Schicht i):

$W_i = \left[ {\begin{array}{*{20}{c}} {{w_{1,1}}}&{{w_{1,2}}}& \cdots &{{w_{1,R}}} \\ {{w_{2,1}}}&{{w_{2,2}}}& \cdots &{{w_{2,R}}} \\ \vdots & \vdots &{}& \vdots \\ {{w_{S,1}}}&{{w_{S,2}}}& \cdots &{{w_{S,R}}} \end{array}} \right],B_i = \left[ {\begin{array}{*{20}{c}} {{b_1}} \\ \vdots \\ {{b_S}} \end{array}} \right]$

Mit S: Anzahl der Neuronen in der Schicht, R: Anzahl der Eingangsvariablen (oder Neuronen der vorherigen Schicht)

19 / 33

Der Ausgangswert eines Neurons n_j ist dann gegeben durch einen Wert aus B und die j-te Zeile von W:

$o(\vec{p})=f(_jW^T\vec{p}+b_i)$

Bei mehrschichtigen Netzwerken hat man eine Menge von Gewichtematrizen, die zu einem Tensor zusammengefasst werden können.

20 / 33

Training von KNN

Wie bei allen überwachten Lernproblemen gilt es eine Fehlerfunktion zu minimieren:

$M(\vec{x}): \vec{x} \rightarrow \vec{y} \\ \underset{W}{\mathrm{argmin}} \,\,\, err(M)=|y(\vec{x})-y_0(\vec{x})|, \forall (x,y_0) \in D$

Ziel ist die Minimierung des Fehlers unserer Modellhypothese M(x) durch Anpassung der Gewichtematrix W und evtl. (wenn vorhanden) des Offsetvektors B

21 / 33

Es ist leicht zu erkennen dass das Training einen hochdimensionalen Parametersatz anpassen muss. Es ist nicht unmittelbar klar wie ein optimales W abgeleitet werden kann!

Erklärbarkeit

Der Zusammenhang von y und x (x → y) ist schon bei einem einschichtigen Netzwerk nur noch schwer nachvollziehbar!
Eine Invertierung (inverses Problem y → x) ist ebenso nur schwer möglich
Eigentlich ist nur ein einzelnes Neuron erklärbar und verständlich
- Dort ist die Anpassung (des Gewichtevektors w) noch durch multivariate Regression möglich

22 / 33

Beispiel

"Gradient Descent" Verfahren
Problem: x=(a,b), y
Netzwerk: Ein Neuron, Sigmoid Transferfunktion

23 / 33

Nicht lineare Probleme

SLP können nur lineare Probleme separieren.

15 label Nicht linear separierbare Probleme - nur mit MLP klassifizierbar

24 / 33

25 / 33

Backpropagation Verfahren

Bekanntes und gängiges Verfahren

https://hmkcode.com/ai/backpropagation-step-by-step

Gradientenverfahren

Baut auf dem Minimierungsansatz "Gradient Descent" (GD) auf (Absteigender Gradient)
Beim GD Verfahren wird eine Funktion, z.B. f(x,w): x → y derart über den Parameter w angepasst wird dass der Fehler err=|y-y₀| minimal wird

26 / 33

Es wird nun die Änderung des Fehlers beobachtet Δerr und der (oder später die) Parameter w mit der Ableitung des Fehlerwerts ∂err/∂w zu der Änderung des Parameters korrigiert:

$w' = w - \alpha \frac{\partial err}{\partial w}$

Vereinfacht gilt:

$\frac{\partial err}{\partial w} \sim x (y-y_0)$

Jetzt wird ein neuronales Netzwerk betrachtet, wo die Neuronen ebenfalls Funktionen mit Eingangsvariablen und Ausgangsvariablen sind

27 / 33

Bei zusammengesetzten Funktionen (z.B. auch Neuronen in inneren Schichten) müssen die Gewichte schrittweise von hinten nach vorne angepasst werden

hmkcode.com/ai/backpropagation-step-by-step Beispiel eines ANN mit Kantengewichten und dem Ansatz der Backpropagation

28 / 33

Die Gewichte werden nun Schicht für Schicht unter Einbeziehung der gewichteten Fehlerpropagation fleichermaßen angepasst

hmkcode.com/ai/backpropagation-step-by-step Backpropagation des Fehlers zu den Eingängen des Beispielnetzwerkes

29 / 33

Kategorische Multiklassen Probleme

Wenn die Ergbnisvariable vom kategorischen Typ ist dann gibt es zwei Möglichkeiten:

One-Hot Kodierung: Jedes Klassensymbol (also ein diskreter Wert v_i der Zielvariable y) wird durch ein Ausgangsneuron repräsentiert

Multi-level Kodierung: Jedes Klassensymbol wird durch einen Wert aus dem Wertebereich eines Ausgangsneurons repräsentiert

Problem: Nicht lineare Transferfunktion und Sättigungsverhalten

Die gleichen Verfahren sind auch auf kategorische Eingabevariablen anwendbar

30 / 33

Numerische Prädiktorfunktionen

Neben der Klassfikation lassen sich mit ANN auch numerische (kontinuierliche) Funktionen lernen
Damit wird Funktionsapproximation wie bei den Regressionsverfahren möglich
- Unterschied: Bei der Regression ist die funktionale Struktur von f(x): x → y bereits fest und muss vorgegeben sein
- Die Verwendung eines ANN bietet da auch noch indirekt das Lernen der funktionalen Strukturen neben der Anpassung der Parameter

31 / 33

Literatur zur Vertiefung

[1] M. T. Hagan, howard B. Demuth, M. H. Beale, and O. D. Jesus, Neural Network Design. https://hagan.okstate.edu/nnd.html

32 / 33

Zusammenfassung

Neuronale Netze bestehen aus Neuronen
Neuronen sind Funktionen
Die Kanten verbinden Ausgänge von Neuronen mit den Eingängen nachfolgender Neuronen mit einer Multiplikation eines Gewichtfaktors
Alle Eingänge eines Neurons werden summiert, das Ergebnis einer Transfer/Aktivierungsfunktion übergeben
Training bedeutet Anpassung der Gewichte um den Ausgangsfehler zu minimieren
- Gängiges Verfahren: Fehlerrückpropagation

33 / 33