Skip to content

Reti neurali artificiali - introduzione

Le reti neurali (artificiali) si propongono di simulare il comportamento dei sistemi biologici costituiti da neuroni.
A partire dai modelli più semplici, proposti già negli anni ’50, le reti neurali sono state utilizzate a scopo predittivo sia per la classificazione di attributi target categorici, sia per la stima di attributi target continui (regressione).
Una rete neurale è costituita da un grafo orientato formato da nodi (neuroni) connessi da archi (dendriti e sinapsi).
A ogni arco è associato un peso, mentre nei nodi sono definite delle funzioni di attivazione che vengono applicate ai valori in ingresso al nodo, opportunamente corretti tramite i pesi degli archi.


Lo svantaggio delle reti neurali è che non danno alcuna evidenza dell’algoritmo. Quindi non servono per rispondere alla domanda di capire quali sono gli attributi significativi, sebbene classificano molto bene.
L’addestramento avviene analizzando in successione le osservazioni presenti nel data set e modificando ad ogni iterazione i pesi delle connessioni (secondo un algoritmo detto backpropagation).
- All’inizio le connessioni hanno pesi casuali.
- La rete, controllata da un algoritmo di apprendimento, confronta l’output effettivo con quello atteso.
- Ad ogni passo, seguendo un processo graduale e iterativo, vengono modificate le connessioni (pesi) per minimizzare tale differenza, potenziando le sinapsi giuste e inibendo quelle scorrette.
Architettura delle reti neurali.
- Reti completamente connesse (non stratificate).
- Reti stratificate (a più livelli).


- Il modo in cui i neuroni sono connessi influenza l’elaborazione.
- Le connessioni possono essere eccitatorie o inibitorie.
- Se vi sono solo connessioni in avanti si parla di reti feed forward altrimenti di reti feed back.
- I neuroni di uno strato possono essere connessi con tutti o solo alcuni neuroni dello strato successivo.
Le reti neurali feed forward, alle quali ci riferiremo nel seguito, prevedono i seguenti componenti:
- NODI DI INPUT : hanno il compito di ricevere in ingresso i valori degli attributi esplicativi per ciascuna osservazione. Di norma, si dispongono tanti nodi di input quante sono le variabili esplicative. Neuroni che inseriscono all’interno della rete i valori degli attributi, non fanno alcun tipo di elaborazione. Tanti neuroni di input quanti sono gli attributi.
- NODI NASCOSTI : compiono trasformazioni dei valori interne alla rete. Ciascun nodo è collegato in ingresso ad archi che escono da altri nodi nascosti, oppure da nodi di input, mentre è collegato in uscita a nodi di output oppure ad altri nodi nascosti. Effettuano l’elaborazione.
- NODI DI OUTPUT : ricevono collegamenti dai nodi nascosti oppure dai nodi di input e restituiscono un valore in uscita che corrisponde alla predizione della variabile di risposta. Nei problemi di classificazione è normalmente presente un unico nodo di output. Tanti neuroni di output quanti sono le classi.
Le reti neurali costituiscono un meccanismo di apprendimento applicabile a problemi di classificazione e di stima.
Permettono di svolgere in modo automatico l’attività di selezione degli attributi in quanto le variabili poco significative o ridondanti vengono escluse dall’analisi mediante coefficienti di valore trascurabile.
Richiedono tempi particolarmente lunghi per il training di un modello e forniscono risultati di scarsa interpretabilità (black box), dipendenti dall’ordine secondo cui gli esempi vengono analizzati.

Valuta questi appunti:

Continua a leggere:

Per approfondire questo argomento, consulta le Tesi:

Puoi scaricare gratuitamente questo appunto in versione integrale.