Kiedy powinienem używać algorytmów genetycznych w przeciwieństwie do sieci neuronowych? [zamknięte]

Gaz generuje nowe wzorce w zdefiniowanej strukturze.

NNs klasyfikuje (lub rozpoznaje) istniejące wzorce na podstawie dostarczonych danych treningowych.

Gaz dobrze sprawdza się w efektywnym przeszukiwaniu dużej przestrzeni stanów rozwiązań i zbieżności na jednym lub kilku dobrych rozwiązaniach, ale niekoniecznie "najlepszym" rozwiązaniem.

NNs mogą nauczyć się rozpoznawać wzorce (poprzez szkolenie), ale notorycznie trudno jest dowiedzieć się, czego się nauczyli, tzn. wyodrębnić wiedza z nich raz przeszkolony, i ponownie wykorzystać wiedzę w innych (non-NN).

Algorytm genetyczny (mimo swojej seksownej nazwy) jest dla większości celów techniką optymalizacji . Przede wszystkim sprowadza się do posiadania wielu zmiennych i chce znaleźć najlepszą kombinację wartości dla tych zmiennych. Po prostu zapożycza techniki z naturalnej ewolucji, aby się tam dostać.

Sieci neuronowe są przydatne do rozpoznawania wzorców. Podążają za uproszczonym modelem mózgu, a zmieniając kilka wag między nimi, próbują przewidzieć wyjścia oparte na wejściach.

Są to dwa zasadniczo różne byty, ale czasami problemy, które są w stanie rozwiązać, nakładają się na siebie.

Porównujesz tu dwie zupełnie różne rzeczy.

Sieci neuronowe są używane do regresji / klasyfikacji - biorąc pod uwagę zbiór (X, y) przykładów, chcesz regresować nieznane y dla jakiegoś podanego x.

Algorytmy genetyczne są techniką optymalizacji. Biorąc pod uwagę funkcję f(x), chcesz określić x, które minimalizuje/maksymalizuje f (x).

Istnieje wiele podobieństw między nimi, więc postaram się jedynie zarysować ich różnice .

Sieci neuronowe

Są w stanie analizować wzorce online (te, które zmieniają się w czasie). Ogólnie rzecz biorąc, jest to zmienna w czasie próbka, która musi być dopasowana i przewidywana.

Przykłady :

• ekstrapolacja wykresu
• Rozpoznawanie twarzy

Algorytmy genetyczne

Używane, gdy możesz kodować atrybuty, które Twoim zdaniem mogą przyczynić się do konkretnego, Nie zmieniającego się problemu. Nacisk kładziony jest na możliwość kodowania tych atrybutów (czasami wiesz, czym one są) i że problem jest w dużym stopniu niezmienny (inaczej ewolucje się nie zbiegają).

Przykłady :

• planowanie samolotów / wysyłka
• rozkład jazdy.
• znalezienie najlepszych cech dla prostego czynnika w sztucznym środowisku
• renderowanie przybliżenia obrazu z losowym wielokąty

Możesz użyć algorytmów genetycznych jako alternatywy dla algorytmu backpropagacji do aktualizacji wag w sieciach neuronowych. Przykładem tego jest: http://www.ai-junkie.com/ann/evolved/nnt1.html .

Algorytmy genetyczne (zwykle) działają na danych dyskretnych (liczby, zakresy liczb całkowitych itp.). Typowym zastosowaniem gazu jest poszukiwanie dyskretnej przestrzeni dla "wystarczająco dobrego" rozwiązania, gdy jedyną dostępną alternatywą jest wyszukiwanie brute-force (ocena wszystkich kombinacji).

Z drugiej strony sieci neuronowe (zazwyczaj) pracują na danych ciągłych (pływaki, itp.). Typowym zastosowaniem NNs jest aproksymacja funkcji, gdzie mamy zestaw x wejść i zestaw y powiązanych wyjść, ale funkcja analityczna f: X → Y.

Oczywiście istnieją tysiące wariantów obu, więc granica między nimi jest nieco rozmyta.

Nie ma żadnej reguły. W wielu przypadkach można sformułować swój problem, Aby skorzystać z jednego z nich. Uczenie maszynowe jest nadal aktywnym obszarem badań i jaki model uczenia się stosować może być dyskusyjny.

GA bierze seksowne języki z ewolucji, ale czekasz, aż Twój komputer natknie się na rozwiązanie w drodze losowego procesu. Studiuj swoje dane, dokonuj dobrych założeń, staraj się wiedzieć, czego chcesz i wybierz podejście, które może je dobrze wykorzystać. Jeśli twój pierwszy wybór daje słabe wyniki, wie, dlaczego tak było, i poprawić sam algorytm lub wybrać lepszy.