تويت
الشبكات العصبية والتنبؤ : Neural Network and Forecasting
في هذا المقالسيتم توضيح مفهوم الشبكات العصبية وكيف يمكن ان تستخدم في التنبؤ مع المقارنة مع طرق الاقتصاد القياسي في التبنؤ من خلال مجموعة من التساولات وكما يلي :
اولا : متى بدء استخدام الشبكات العصبية في التنبؤ
بدا استخدام الشبكات العصبية للتبؤ القصير الاجل في الصناعات الالكترونية ، وهذه التقنية الحديثة توفر دالة مرنة flexible function يمكن ان تلائم نماذج الغير الخطية Non-leaner Fuction . وعلى الرغم من هذه الميزة الا ان موضوع الشبكات العصبية محاط بكثير من التساؤلات والطروحات ، ومعظم هذه التساؤلات تاتي من جانب مستخدمي طرق التنبؤ الاقتصاد القياسي Econometrics .
ثانيا : ماذا يقصد بمصطلح الشبكات العصبيةالصناعية Artificial Neural Network ؟
نماذج الشبكات العصبية الذكية الصناعية، هي دوال غير خطية مرنة . والشكل العام لدالة الشبكات العصبية المستخدمة في التنبؤ يمكن ان تكتب في الاتي :
Y = F[H1(X),H2(X), ….. HN(X)] + U ...1
حيث ان :
Yتمثل المتغير التابع dependent variable ,
و X تمثل المتغيرات التفسيرية او المتغيرات المستقلة Independent variables .
F و H تمثل دوال الشبكات العصبية ،
اما u تمثل error term حد الخطا في الدالة .
وحسب لغة الشبكات العصبية يكون :
تسمى مجموعة متغيرات X بالمدخلات Input .
يسمى المتغير Y بالمخرجات او الناتج output .
تسمى H بدوال التحفيز الطبقات الخفية Hidden Layer Activation Function .
تمسى F مخرجات دالة التحفيز الخفية .
ثالثا : هل هناك شكل محدد specific يستخدم للتنبؤ ؟
نعم ، هناك شكل محدد يستخدم في المعتاد . في هذا النموذج تكون F خطية في دوال H . ويحدد شكل دوال H على شكل حرف S الانكليزي أي تستخدم هنا الدالة اللوجستية Logistic function . ولذلك يكون نموذج الشبكات العصبية وفق الاتي :
1-نموج شبكات عصيبة بتغذية امامية ذو مخرج واحد single output feed forward neural network .
2-طبقة مخفية واحد مع عقد عديدة One hidden layer with multiples nodes .
3-مع دوال تحفيز اللوجستية في الطبقة الخفية logistic activation functions .
4-مع دالة تحفيز خطية في طبقة المخرج او الناتج linear activation function .
رابعا : ماهي العلاقة بين نموذج الانحدار الخطي ونموذج الشبكات العصبية
من اهم الفروق بين نموذج الانحدار الخطي ونموذج الشبكات العصبية هو ان دالة الانحدار الخطية هي خطية linear في معلماتها parameters ولاتوجد هناك دوال الطبقات الخفية في نموذج الانحدار . و نموذج الانحدار الخطي يأخذ الشكل الاتي :
Y = XB + u ……….. 2
وحسب مفهوم الشبكات العصبية ان مثل في المعادلة رقم 2 ، يكون ذو مخرج واحد وبدون طبقات خفية مع دالة تحفيز خطية لطبقة المخرج او الناتج (المتغير المعتمد) .
خامسا : لماذا تسمى شبكات عصيبة بتغذية امامية Forward Neural Netwok؟
لتوضيح الاجابة على السوال نستعين بالشكلالمرفق (المخطط الشبكي لنموذج 3 مدخلات و2 عقد )
كما نجد من الشكل ان المتغيرات المستقلة (XN ) تدخل في الطقبات السفلى (المدخلات ) . والدالة اللوجستية تتمثل بـ الطبقة الخفية (H1,H2 ) ، والنتيجة تكون بطبقة الناتج (Y ) .
والفكرة هنا ببساطة ان المدخلات تغذي الدوال في الطبقات الخفية ، ولايمكن ان يكون ارجاع خلفي backward. كما ان دوال الطبقات الخفية تقوم بالتغذية نحو الاعلى الى طبقة الناتج . ولايوجد هناك إرجاع خلفي . ان غياب التغذية العكسية وعدم وجود تفاعل Interactions بين دوال الطبقات الخفية هو الاساس في تسميتها بالشبكات العصبية ذات التغذية الأمامية .
سادسا :ما سر تسمية الطبقات الخفية Hidden layers؟
ان الدوال فيوسط الشكل المرفق (H2 H1 ) في الطبقة الخفية ، جاءت تسميتها "الطبقة الخفية " من علوم الاعصاب الطبي .
سابعا : ماذا يقصد بالدالة التحفيز اللوجستية Logistic activation function ؟
هذه التسمية تعود الى شكل الدالة والذي يتخذ شكل الحرف S الانكليزي وهذه الدالة تستخدم في الطبقة الخفية . والدالة اللوجستية هي دالة تتراوح قيمتها بين الصفر والواحد . فاذا كان للمتغير معامل ميل موجب في الدالة ، فعند زيادة قيمة المتغير فان شكل الدالة S سوف يتحرك او ينزلق slide نحو الاعلى بالتتدرج ، هذه الحركة نحو الاعلى في الدالة تسمى التحفيز activation ، لان الحركة على طول المنحني تكون بالتدرج وليس على شكل قفزات ، وعادة هذه الدالة تسمى دوال التحويل الطبقة الخفية Hidden layer transfer functions .
سابعا : ماذا نعني بدالة التحفيز الخطية linear activation function في طبقة الناتج ؟
هذه الدالة هي دالة خطية تستخدم لتمرير القيم من الطبقة الخفية الى طبقة الناتج . ويمكن كتابة نموذج هذه الدالة بالشكل الاتي :
Y = b0 + b1H1+b2H2 + u ...3
ثامنا : لماذا تبدو الدوال في الطبقة الخفيةمتشابهة ، وكيف يمكن ان يفسر هذا التشابه ؟
ان الدوال في الطبقة الخفية تسمى ايضا عقد nodes . والفكرة هنا ان كل عقدة لها نفس المدخلات ولكنها تعالج بشكل مختلف عن غيرها لانه كل عقدة يكون لها معامل coefficient مختلف . هذه الخاصية تسمى التوازي parallelism ، وهي مفتاح القوة في نموذج الشبكات العصبية . ان استخدام كل عقدة لنفس المدخل (المدخلات X’s ) وكل عقد لها نفس الصيغة الجبرية قد يكون مثل هذا الطرح صعب الفهم او مربك من قبل مستخدمي ادوات التنبؤ التقليدية (طرق الاحصاء والاقتصاد القياسي ) ، ان اللغز هو انه مع بداية كل عملية التقدير تكون المعلمات مختلفة لكل عقدة . ومن نقطة الاختلاف هذه ، يمكن ان يساهم بارمتر كل عقدة في تحسين النموذج المقدر ، وكل عقدة سيكون لها دور معين في العملية مع استمرار عملية التقدير
في هذا المقالسيتم توضيح مفهوم الشبكات العصبية وكيف يمكن ان تستخدم في التنبؤ مع المقارنة مع طرق الاقتصاد القياسي في التبنؤ من خلال مجموعة من التساولات وكما يلي :
اولا : متى بدء استخدام الشبكات العصبية في التنبؤ
بدا استخدام الشبكات العصبية للتبؤ القصير الاجل في الصناعات الالكترونية ، وهذه التقنية الحديثة توفر دالة مرنة flexible function يمكن ان تلائم نماذج الغير الخطية Non-leaner Fuction . وعلى الرغم من هذه الميزة الا ان موضوع الشبكات العصبية محاط بكثير من التساؤلات والطروحات ، ومعظم هذه التساؤلات تاتي من جانب مستخدمي طرق التنبؤ الاقتصاد القياسي Econometrics .
ثانيا : ماذا يقصد بمصطلح الشبكات العصبيةالصناعية Artificial Neural Network ؟
نماذج الشبكات العصبية الذكية الصناعية، هي دوال غير خطية مرنة . والشكل العام لدالة الشبكات العصبية المستخدمة في التنبؤ يمكن ان تكتب في الاتي :
Y = F[H1(X),H2(X), ….. HN(X)] + U ...1
حيث ان :
Yتمثل المتغير التابع dependent variable ,
و X تمثل المتغيرات التفسيرية او المتغيرات المستقلة Independent variables .
F و H تمثل دوال الشبكات العصبية ،
اما u تمثل error term حد الخطا في الدالة .
وحسب لغة الشبكات العصبية يكون :
تسمى مجموعة متغيرات X بالمدخلات Input .
يسمى المتغير Y بالمخرجات او الناتج output .
تسمى H بدوال التحفيز الطبقات الخفية Hidden Layer Activation Function .
تمسى F مخرجات دالة التحفيز الخفية .
ثالثا : هل هناك شكل محدد specific يستخدم للتنبؤ ؟
نعم ، هناك شكل محدد يستخدم في المعتاد . في هذا النموذج تكون F خطية في دوال H . ويحدد شكل دوال H على شكل حرف S الانكليزي أي تستخدم هنا الدالة اللوجستية Logistic function . ولذلك يكون نموذج الشبكات العصبية وفق الاتي :
1-نموج شبكات عصيبة بتغذية امامية ذو مخرج واحد single output feed forward neural network .
2-طبقة مخفية واحد مع عقد عديدة One hidden layer with multiples nodes .
3-مع دوال تحفيز اللوجستية في الطبقة الخفية logistic activation functions .
4-مع دالة تحفيز خطية في طبقة المخرج او الناتج linear activation function .
رابعا : ماهي العلاقة بين نموذج الانحدار الخطي ونموذج الشبكات العصبية
من اهم الفروق بين نموذج الانحدار الخطي ونموذج الشبكات العصبية هو ان دالة الانحدار الخطية هي خطية linear في معلماتها parameters ولاتوجد هناك دوال الطبقات الخفية في نموذج الانحدار . و نموذج الانحدار الخطي يأخذ الشكل الاتي :
Y = XB + u ……….. 2
وحسب مفهوم الشبكات العصبية ان مثل في المعادلة رقم 2 ، يكون ذو مخرج واحد وبدون طبقات خفية مع دالة تحفيز خطية لطبقة المخرج او الناتج (المتغير المعتمد) .
خامسا : لماذا تسمى شبكات عصيبة بتغذية امامية Forward Neural Netwok؟
لتوضيح الاجابة على السوال نستعين بالشكلالمرفق (المخطط الشبكي لنموذج 3 مدخلات و2 عقد )
كما نجد من الشكل ان المتغيرات المستقلة (XN ) تدخل في الطقبات السفلى (المدخلات ) . والدالة اللوجستية تتمثل بـ الطبقة الخفية (H1,H2 ) ، والنتيجة تكون بطبقة الناتج (Y ) .
والفكرة هنا ببساطة ان المدخلات تغذي الدوال في الطبقات الخفية ، ولايمكن ان يكون ارجاع خلفي backward. كما ان دوال الطبقات الخفية تقوم بالتغذية نحو الاعلى الى طبقة الناتج . ولايوجد هناك إرجاع خلفي . ان غياب التغذية العكسية وعدم وجود تفاعل Interactions بين دوال الطبقات الخفية هو الاساس في تسميتها بالشبكات العصبية ذات التغذية الأمامية .
سادسا :ما سر تسمية الطبقات الخفية Hidden layers؟
ان الدوال فيوسط الشكل المرفق (H2 H1 ) في الطبقة الخفية ، جاءت تسميتها "الطبقة الخفية " من علوم الاعصاب الطبي .
سابعا : ماذا يقصد بالدالة التحفيز اللوجستية Logistic activation function ؟
هذه التسمية تعود الى شكل الدالة والذي يتخذ شكل الحرف S الانكليزي وهذه الدالة تستخدم في الطبقة الخفية . والدالة اللوجستية هي دالة تتراوح قيمتها بين الصفر والواحد . فاذا كان للمتغير معامل ميل موجب في الدالة ، فعند زيادة قيمة المتغير فان شكل الدالة S سوف يتحرك او ينزلق slide نحو الاعلى بالتتدرج ، هذه الحركة نحو الاعلى في الدالة تسمى التحفيز activation ، لان الحركة على طول المنحني تكون بالتدرج وليس على شكل قفزات ، وعادة هذه الدالة تسمى دوال التحويل الطبقة الخفية Hidden layer transfer functions .
سابعا : ماذا نعني بدالة التحفيز الخطية linear activation function في طبقة الناتج ؟
هذه الدالة هي دالة خطية تستخدم لتمرير القيم من الطبقة الخفية الى طبقة الناتج . ويمكن كتابة نموذج هذه الدالة بالشكل الاتي :
Y = b0 + b1H1+b2H2 + u ...3
ثامنا : لماذا تبدو الدوال في الطبقة الخفيةمتشابهة ، وكيف يمكن ان يفسر هذا التشابه ؟
ان الدوال في الطبقة الخفية تسمى ايضا عقد nodes . والفكرة هنا ان كل عقدة لها نفس المدخلات ولكنها تعالج بشكل مختلف عن غيرها لانه كل عقدة يكون لها معامل coefficient مختلف . هذه الخاصية تسمى التوازي parallelism ، وهي مفتاح القوة في نموذج الشبكات العصبية . ان استخدام كل عقدة لنفس المدخل (المدخلات X’s ) وكل عقد لها نفس الصيغة الجبرية قد يكون مثل هذا الطرح صعب الفهم او مربك من قبل مستخدمي ادوات التنبؤ التقليدية (طرق الاحصاء والاقتصاد القياسي ) ، ان اللغز هو انه مع بداية كل عملية التقدير تكون المعلمات مختلفة لكل عقدة . ومن نقطة الاختلاف هذه ، يمكن ان يساهم بارمتر كل عقدة في تحسين النموذج المقدر ، وكل عقدة سيكون لها دور معين في العملية مع استمرار عملية التقدير
تعليق