Nöral ağların aksine genetik algoritmaları ne zaman kullanmalıyım? [kapalı]

Bir problemi çözmek için sinir ağlarının aksine (veya tersi) genetik algoritmaların ne zaman kullanılacağını belirlemek için bir başparmak kuralı (veya bir dizi örnek) var mı?

Her iki yöntemin de karıştırılabileceği durumlar olduğunu biliyorum, ancak iki yöntem arasında üst düzey bir karşılaştırma arıyorum.

Vikipedi'den:

Bir genetik algoritma (GA) hesaplamada kullanılan bir arama tekniğidir bulmak tam veya yaklaşık çözümler optimizasyon ve problemleri arayın.

ve:

Sinir ağları doğrusal olmayan istatistiksel veri modelleme araçlarıdır. Girdiler ve çıktılar arasındaki karmaşık ilişkileri modellemek veya verilerdeki kalıpları bulmak için kullanılabilirler.

Bir çözümün değerini ölçebileceğiniz bir sorununuz varsa, genetik bir algoritma çözüm alanının yönlendirilmiş bir aramasını yapabilir . (Örneğin, iki nokta arasındaki en kısa rotayı bulun)

Farklı sınıflarda çok sayıda öğeniz olduğunda, bir sinir ağı daha önce "görmediği" öğeleri sınıflandırmayı "öğrenebilir" . (Ör. Yüz tanıma, ses tanıma)

Uygulama süreleri de dikkate alınmalıdır. Genetik bir algoritmanın kabul edilebilir bir çözüm bulması uzun zaman alır. Bir sinir ağının "öğrenmesi" uzun zaman alır, ancak yeni girişleri neredeyse anında sınıflandırabilir.

Genetik bir algoritma (seksi ismine rağmen), çoğu amaç için bir optimizasyon tekniğidir . Öncelikle bir dizi değişkene sahip olmak ve bu değişkenler için en iyi değer kombinasyonunu bulmak istemekle ilgilidir. Oraya ulaşmak için doğal evrimden teknikler ödünç alıyor.

Sinir ağları örüntüleri tanımak için faydalıdır . Beynin basit bir modelini takip ederler ve aralarındaki bazı ağırlıkları değiştirerek, girdileri girdilere dayalı olarak tahmin etmeye çalışırlar.

Bunlar temelde farklı iki varlıktır, ancak bazen üst üste çözebilecekleri problemler.

GA'lar tanımladığınız bir yapıda yeni desenler oluşturur.

NN'ler varolan modelleri sağladığınız egzersiz verilerine göre sınıflandırır (veya tanır).

GA'lar, geniş bir durum alanı çözümünü verimli bir şekilde aramada ve bir veya daha fazla iyi çözüme yakınsamada iyi performans gösterir, ancak mutlaka 'en iyi' çözüm değildir.

NN'ler kalıpları tanımayı öğrenebilir (eğitim yoluyla), ancak öğrendiklerini anlamak, yani bilgiyi eğitildikten sonra çıkarmak ve diğer bazı (NN olmayan) bilgileri yeniden kullanmak çok zordur.

Burada iki farklı şeyi karşılaştırıyorsunuz.

Sinir Ağları, regresyon / sınıflandırma için kullanılır - bir dizi (x, y) örnek verildiğinde, verilen bazı x için bilinmeyen y'yi geri almak istersiniz.

Genetik algoritmalar bir optimizasyon tekniğidir. F (x) işlevi verildiğinde, f (x) değerini en aza indiren / en üst düzeye çıkaran x değerini belirlemek istersiniz.

Aralarında birçok benzerlik var, bu yüzden sadece farklılıklarını özetlemeye çalışacağım .

Nöral ağlar

Çevrimiçi kalıpları (zaman içinde değişenleri) analiz edebilir. Genellikle bu, eşleştirilmesi ve tahmin edilmesi gereken zamanla değişen bir örnektir.

Örnekler :

• Grafik ekstrapolasyonu
• Yüz tanıma

Genetik algoritmalar

Belirli, değişmeyen bir soruna katkıda bulunabileceğini düşündüğünüz özellikleri kodlayabildiğinizde kullanılır. Vurgu, bu nitelikleri kodlayabilmektir (bazen ne olduklarını bilirsiniz) ve problemin büyük ölçüde değişmeden olmasıdır (aksi takdirde evrimler birleşmez).

Örnekler :

• Uçakların planlanması / sevkıyat
• Kalkış saatleri.
• Yapay bir ortamda basit bir ajan için en iyi özellikleri bulma
• Rastgele çokgenler içeren bir resmin yaklaşık görüntüsünü oluşturma

Sinir ağlarındaki ağırlıkları güncellemek için backpropagation algoritmasına alternatif olarak genetik algoritmalar kullanabilirsiniz . Bunun bir örneği için bkz. Http://www.ai-junkie.com/ann/evolved/nnt1.html .

Genetik algoritmalar (genellikle) ayrık veriler üzerinde çalışır (numaralandırmalar, tamsayı aralıkları vb.). GA'lar için tipik bir uygulama, mevcut tek alternatif kaba kuvvetli bir araştırma olduğunda (tüm kombinasyonları değerlendirirken) "yeterince iyi" bir çözüm için ayrı bir alan aramaktır.

Sinir ağları ise (genellikle) sürekli veriler (şamandıralar, vb.) Üzerinde çalışır. NN'ler için tipik bir uygulama, bir grup X giriş ve bir dizi Y çıkış içeren, ancak f: X → Y analitik fonksiyonunun bulunduğu fonksiyon yaklaşımıdır.

Tabii ki, her ikisinin de binlerce çeşidi var, bu yüzden aralarındaki çizgi biraz bulanık.

Pratik bir kural yok. Birçok durumda sorununuzu bunlardan herhangi birini kullanmak için formüle edebilirsiniz. Makine öğrenimi hala aktif bir araştırma alanıdır ve hangi öğrenme modelinin kullanılacağı tartışmalı olabilir.

GA'lar seksi dilleri evrimden alır, ancak bilgisayarınızın rastgele bir süreçle bir çözüme rastlamasını beklersiniz. Verilerinizi inceleyin, iyi varsayımlar yapın, ne istediğinizi öğrenmeye çalışın ve bunlardan en iyi şekilde yararlanabilecek bir yaklaşım seçin. İlk seçiminiz kötü sonuçlar verirse, neden böyle olduğunu bilin ve algoritmanın kendisini geliştirin veya daha iyi bir tane seçin.