EXTREME LEARNING MACHINE (PDF Available)

EXTREME LEARNING MACHINE
Ing. Franklin Riabani Mercado F.
FUNDACION INFOCAL COCHABAMBA
Cochabamba – Bolivia
frkmrd@hotmail.com
ABSTRACT
La helada es un factor meteorológico importante para la
hidrología, climatología y agricultura. Este estudio
propone crear una máquina de aprendizaje extremo
(ELM) como base para la predicción temprana de
heladas meteorológicas, el estudio fue desarrollado en el
valle alto del departamento de Cochabamba Bolivia, los
datos fueron colectados en 6 estaciones meteorológicas
llegando a un total de 178450 mediciones, se dividió la
muestra en dos conjuntos de datos uno de entrenamiento
con el 70% de la muestra y se obtuvieron tiempos de 67
segundos para el entrenamiento comparado con los casi
400 segundos que toma a los otros modelos de Machine
Learning. Y tiempos para realizar una predicción
utilizando el modelo entrenado es de 2 segundos en la
plataforma Odroid respecto a los más de 15 segundos
que toma a otros modelos. Con márgenes de confianza
superiores al 90%. La investigación demostró que un
modelo ELM propuesto mejor en la generalización y
predicción de heladas y tiene una considerable ventaja en
cuanto a tiempo de aprendizaje y consumo de recursos
de hardware, los resultados demuestran convincente que
un modelo ELM puede emplearse para crear el mejor
predictor de heladas del mundo tanto en niveles de
confianza y tiempos de respuesta.
relevantes de un evento que actúan como datos de
entrada y la segunda conocida como Prueba en la que
compara estas características con nuevos datos de prueba
y se obtiene al final de estas dos etapas un modelo
entrenado y probado que intenta explicar los datos de
entrada.
2 EXTREME LEARNING MACHINE
Las Máquinas de Aprendizaje Extremo o Extreme
Learning Machine (ELM) propuesto por Huang [1] están
atrayendo la atención de miles de investigadores como
una técnica de Machine Learning (ML) que resuelve
muchos de los problemas a los que se enfrentan otras
técnicas, por ejemplo su lenta velocidad de aprendizaje
[2]. ELM inicialmente trabaja en redes monocapa hacia
delante o de tipo “feedforward” (SLFNs) [3] como se
muestra en la figura siguiente.
KEYWORDS
Inteligencia computacional, Machine Learning, SciPy,
Raspberry Pi, Agricultura inteligente, Heladas
1 INTRODUCCIÓN
El aprendizaje automático es una rama de la inteligencia
computacional que busca que las computadoras sean
capaces de aprender e inducir conocimiento de cierta
información. El aprendizaje automático está compuesto
por dos fases o etapas la primera conocida como
Entrenamiento donde se observa las características más
Fig. 1: Arquitectura Single Layer Feedforward neural
network
El ELM está basado en el concepto de que si los pesos
de entrada y los sesgos de la capa oculta de una SLFN,
son asignados al azar, la SLFN puede ser considerada
como un sistema lineal y los pesos de salida se pueden
determinar analíticamente mediante la inversa
generalizada [4]. Esta idea ya fue estudiada por Huang et
al [5]; y hay un estudio profundo acerca de las
diferencias entre el ELM y trabajos previos. Sin
embargo, Huang demuestra la capacidad que tiene el
ELM para ser un aproximador universal donde los nodos
elegidos al azar pueden ser generados de acuerdo con
cualquier distribución de probabilidad continua, sin
ningún conocimiento previo [6]. Esta asignación
aleatoria se puede hacer si las funciones de activación en
la capa oculta son infinitamente diferenciables [3, 4], la
más popular es la una función signoide.
En general, las SLFNs estándar con L neuronas en la
capa oculta y función de activación
, pueden
aproximar las N muestras con error cero. Esto es:
∑
‖
‖
Según Huang [5], la función de salida de una red SLFN
con L nodos ocultos puede ser representada por:
∑
∑
(2)
Donde
denota la función de salida
del
nodo oculto i. Para nodos aditivos con función de
activación
, es definida como:
(3)
Para [1] las N muestras distintas
, las
redes monocapa de tipo “feedforward” con L nodos
ocultos son matemáticamente modeladas como:
∑
(
)
(4)
Estas SLFNs pueden aproximar estas N muestras con un
error medio nulo ∑ ‖
‖
es decir, existen
tal que:
∑
(
)
(5)
Las ecuaciones anteriores pueden ser escritas de forma
vectorial como:
(6)
Donde
[
[
]
]
[ ]
2.2.1 Teorema 1. Dado un valor positivo pequeño
y una función de activación
que sea
infinitamente diferenciable en cualquier intervalo, y N
muestras arbitrarias y distintas
,
{
}
existe
tal que para cada
generados
aleatoriamente de un intervalo
, de acuerdo a
una función de distribución continua con probabilidad
‖
uno, ‖
.
Desde un punto de vista de interpolación, el máximo
número de nodos necesario no debe ser mayor que el
número de muestras de entrenamiento. De hecho el error
de entrenamiento puede ser cero.
2.2.2 Teorema 2. Dada una función de activación
infinitamente diferenciable en cualquier
intervalo y N muestras arbitrarias distintas
{
}
para
cualquier
generados
aleatoriamente de un intervalo
de acuerdo a
una función de distribución continua, con probabilidad
‖
uno ‖
.
Desde un punto de vista de interpolación, se han usado
un amplio rango de funciones en las ELM, lo que
incluye las funciones signoidales, las funciones de base
radial, seno, coseno, exponencial, y muchas otras no
regulares.
2.3 Teorema de Aproximación Universal
2.2 Teorema de Interpolación
( )
]
(1)
2.1 Teoría de Aprendizaje de las Máquinas de
Aprendizaje Extremo
∑
[
Huang, en [24] demostró en la teoría que las redes
SLFNs con nodos RBF (Radial Base Function)
generados aleatoriamente, pueden aproximar cualquier
función continua objetivo sobre cualquier subconjunto
.
Se define
como un espacio de funciones f en un
subconjunto X compacto en el espacio Euclidiano ddimensional tal que | | son integrables, es decir
∫ |
|
,
se
denota
como
,
, el producto escalar se define
como:
⟨
⟩
∫
(7)
El módulo de
en el espacio es denotado por ‖ ‖, y
la distancia más corta entre la función de red
y la
función objetivo se mide a través de:
‖
‖
[∫ |
|
]
(8)
2.3.6 Teorema 3. Dada una función continua a trozos no
constante y acotada
para nodos aditivos o
una función continua integrable a trozos
y
para una función objetivo continua
∫
y una secuencia de la función generada aleatoriamente
{ } , el límite
‖
‖
se mantiene con
probabilidad uno si:
⟨
⟩
‖
(9)
‖
2.3.7 Teorema 4. Dada una función continua a trozos no
constante
, si abarcar {
} es engorroso en
, para una función objetivo
continua
y una secuencia de función {
} generada aleatoriamente en base a una
‖
‖
distribución continua,
se mantiene
con probabilidad de la unidad si los pesos
de salida
son determinados por mínimos cuadrados para
∑
‖.
minimizar ‖
2.4 ELM Básica
Los parámetros de los nodos
permanecen fijos
una vez que se han establecido aleatoriamente. Entrenar
la red SLFN simplemente es equivalente a encontrar la
solución por mínimos cuadrados del sistema lineal
:
‖ ̂
‖
‖
‖
Paso 2: Calcular la matriz de salida de la capa
oculta .
Paso 3: Calcular los pesos de la capa de salida
(Teoremas 3 y 4). :
El algoritmo ELM puede trabajar con muchos tipos de
funciones de activación. Muchos algoritmos de
aprendizaje no están preparados para trabajar con redes
de umbral directamente y en su lugar usan redes
analógicas para aproximar las redes umbrales, tales
como el método de descenso por gradiente. Sin embargo,
una ventaja del ELM es que puede ser usado para
entrenar este tipo de redes directamente sin necesidad de
recurrir a otros algoritmos.
3 HERRAMIENTAS Y METODOS
3.1 Dataset
La investigación se concentra en el valle alto del
departamento de Cochabamba, los datos fueron
proporcionados por SENAMHI, de 6 estaciones
meteorológicas automatizadas que se encuentran en las
poblaciones de Tarata, Arbieto, Punata, Cliza y San
Benito.
(10)
Si el número L de nodos ocultos es igual al número de
muestras de entrenamiento N,
L=N, acorde con el
Teorema 1, la matriz H es cuadrada e invertible cuando
los parámetros
son elegidos aleatoriamente, y así
las redes SLFN pueden aproximar dichas muestras de
entrenamiento con un error nulo.
Sin embargo, en la mayoría de los casos el número de
nodos es mucho menor que el número de muestras de
entrenamiento,
, por lo que
no es cuadrada y
pueden no existir
tal que
.
La solución que minimiza por mínimos cuadrados el
sistema de ecuaciones superior es:
Donde
la matriz
salida de los nodos ocultos
, y un número de
nodos ocultos ,
Paso 1: Generar de forma aleatoria los
parámetros de los nodos ocultos
Teoremas 1 y 4.
(11)
es la inversa generalizada Moore-Penrose de
.
2.5 Algoritmo ELM
Para [3]Dado un conjunto de entrenamiento
{
} , una función de
Fig. 1: Zona de intervención de la investigación
El periodo de Colecta de datos corresponde a diciembre
de 2011 hasta agosto de 2015, se tienen 1360 días
observados, el tiempo entre mediciones que realizan las
estaciones meteorológicas es de 15 min, como resultado
se obtienen 96 mediciones por día, lo que nos
proporciona entre todos los días observados y las 6
estaciones un dataset de 179320 mediciones.
Las variables que se manejan en la investigación son:
 Temperatura relativa
 Radiación Solar
 Viento
 Humedad
 Precipitación
El motivo para el manejo de todas estas variables para
entrenar el ELM y no solo la temperatura, se debe a que
la radiación y el viento son factores que favorecen la
ocurrencia de una helada, debido al balance regional de
radiación [8] como se ve en las siguientes figuras:
Fig. 2: Las nubes reintegran calor
disminuyen la ocurrencia de heladas
a la tierra y
procesamiento de imágenes, procesado de la señal,
estadística, integración numérica.
3.4 Diseño y Entrenamiento de un SLFN Entrenado
con ELM
Como se mencionó en la introducción del trabajo, en este
proyecto de investigación se pretende demostrar que con
una estructura mono capa, se consiguen altos niveles de
generalización similares o superiores a otros algoritmos.
Esta estructura estará basada en el algoritmo ELM
expuesto en puntos anteriores, lo primero que se hará es
trabajar con redes SLFNs (Fig. 1) para comprobar los
resultados que se obtienen al aplicar el ELM sobre una
red neuronal SLFN. Es decir, simplemente se pondrá en
práctica toda la teoría expuesta a lo largo de este
artículo.
El producto final de la investigación es crear el mejor
predictor a nivel mundial del fenómeno meteorológico
de Heladas 1.
Fig. 3: Cielo despejado aumenta la radiación de calor
de suelo hacia el espacio
La lluvia y la humedad determinan el tipo de helada que
se producirá [8].
3.2 Plataformas de Hardware
Las plataformas de experimentación más populares a la
fecha que se escribe este articulo como son Raspberry pi
2 modelo B y Odroid C1 en la tabla 1 se muestra una
comparación de características más relevantes de
hardware.
Procesador
Memoria
RAM
GPU
HDD
SO
Raspberry Pi 2
Modelo B
Hardkernel
Odroid C1
Broadcom BCM2836
Quac Core Cortex A7 a
900 MHz
1GB LPDDR2
Amlogic S805 Quac
Core Cortex A5 a 1.5
GHz
1GB DDR3
ARM Mali-450MP2 de
cuatro núcleos
Socket para módulos
eMMC de 8/64Gb
Raspbian, Ubuntu Core,
OpenELEC, etc.
VideoCore IV
Slot de tarjeta micro SD
Ubuntu 14.04 con
XBMC/Kodi
Tabla 1: Características de hardware de las
plataformas de experimentación
3.3 Scipy
Es un software científico que comenzó su desarrollo en
2001 escrita en Python. SciPy es una expansión de
NumPy, que integra nuevos paquetes para el tratamiento
científico de datos. Integra gran cantidad de funciones de
1
Una helada se produce cuando la temperatura ambiente
desciende por debajo de los cero grados centígrados, este
fenómeno es muy frecuente en noches de cielo despejado
y la ausencia de viento, a lo que se conoce como
inversión térmica. Otro evento que favorece la
ocurrencia de heladas es el desplazamiento de masas de
aire frio provenientes del polo sur, las heladas se
clasifican tanto por su tipo como por el daño que
produce la helada.
RED NEURONAL - SLFN
ENTRADAS:
Mediciones
Temperaturas
Capa Oculta
W
x1
W
(1)
(2)
Capa de Salida
SALIDAS:
Temperaturas
calculadas
y1
x2
Y
...
...
...
...
y2
x3
y3
+1
Fig. 4: Esquema red de trabajo
arquitectura SLFN sobre las plataformas de prototipado
Raspberry Pi y Odroid.
En el proceso de preparación e integración de los datos
los meteorológicos los resultados que se obtuvieron son:
Los resultados obtenidos en la fase de entrenamiento del
modelo se pueden apreciar en la fig. 5.
Conforme con las convenciones de ML los datos fueron
sometidos a un proceso de preparación e integración de
datos. El resultado final del proceso es un Dataset con
178450, se dividió el total de datos en dos partes el
primero en el Dataset de entrenamiento con el 70% que
son aproximadamente 124915 mediciones y un segundo
Dataset de prueba con el 30% con 53535 mediciones
En un análisis exploratorio de los dos Dataset se
obtuvieron los siguientes resultados:
Dataset
Entrenamiento
Temp
Rad
Hum
Vie
Min
Param
-3
0.78
13.90
0.30
Max
30
29.78
99.50
4.88
Media
18
17.33
66.47
2.4
Desv. Es.
Prueba
6.28
0.94
12.64
0.94
Min
-2
1.86
7.10
0.35
Max
30
26.40
87.90
4.35
19
5.89
18.04
4.77
63.66
12.58
2.38
0.91
Media
Desv. Es.
Tabla 2: Análisis exploratorio de mediciones
meteorológicas
4 RESULTADOS
En esta investigación se ha presentado un algoritmo de
aprendizaje eficiente para Redes Neuronales hacia
adelante (SLFN) llamado Extreme Learning Machine
(ELM). Los resultados de probar los métodos de
machine learning como Support vector machine, redes
bayesianas, análisis discriminante y ELM con una
Fig. 5 Resultados Dataset de entrenamiento
Podemos apreciar que los puntos se encuentran dispersos
alrededor de la línea central que corresponde a la
intersección del valor medido y el valor calculado por el
modelo.
En la fig. 6 se puede apreciar los resultados del dataset
de prueba para el modelo que ya estaba completamente
entrenado con el algoritmo ELM son:
Fig. 6 Resultados dataset de prueba
De la fig. 6 se puede concluir que los resultados son
mucho más densos alrededor del valor ideal.
Plataforma de Experimentación
Modelo de Machine Learning
Rasberry Pi 2
NC *
T. E **
Odroid C1
T. P ***
NC
T. E
T. P
Support Vector Machine
Red Bayesiana
86.65%
93,13%
351
450
18
19
87.07%
93.15%
327
439
15
17
Análisis Discriminante Lineal
Extreme Learning Machine
92,06%
93.17%
412
67
13
4
92.75%
93.20%
395
62
12
2
* Es el nivel de confianza del valor calculado por el modelo sobre el dataset de prueba
** Es el tiempo en segundos que demora en ser entrenada con el dataset de entrenamiento
*** Es el tiempo en segundos que demora el modelo en realizar una predicción
Tabla 3: Tabla de comparación de modelos de Machine Learning
Como una técnica de aprendizaje, el algoritmo de
ELM ha demostrado un buen potencial para resolver
problemas de clasificación. Así, las principales
conclusiones que se han podido sacar son las siguientes:
1) La velocidad de aprendizaje del algoritmo es
extremadamente alta.
2) Tiene un bajo consumo de recursos de hardware.
3) Destaca por su simplicidad. Se ha demostrado cómo
una red puede ser entrenada con pocos pasos.
4) El algoritmo posee una gran capacidad de
generalización a la hora de afrontar problemas de
clasificación. Se ha podido observar que aumentando
el número de datos de entrenamiento se obtienen mejores
resultados de forma progresiva porque se crea una red
más potente y a su vez el aumento con lleva una
disminución de la norma de los pesos de la capa de
salida, lo que deriva en un aumento de la capacidad de
generalización, suavizando la frontera de decisión y por
lo tanto evitando el sobreajuste.
5) Sobre las predicciones de heladas este modelo
demuestra una gran eficacia en la predicción de heladas,
con un elevado nivel de confianza superior al 90%
comparado con otros modelos estadísticos tradicionales
que solo llegan al 70%.
6) Sobre la plataforma de experimentación Raspberry Pi
2 y Odroid que corren con versiones de GNU Linux
Raspbian y Ubuntu respectivamente, demuestran que
son una gran alternativa para implementar experimentos
de este tipo por su excelente rendimiento y su bajo costo.
5 CONCLUSIONES Y FUTURO
Se propone como líneas futuras de investigación,
continuar explorando las capacidades de estas
arquitecturas, con el objetivo de explotar su
capacidad
de
representación,
compresión
y
clasificación de datos. Una buena aplicación podría
ser la de entrenar esta estructura para que sea capaz de
mejorar la frontera de predicción minimizando los falsos
positivos.
Implementar el ELM sobre otros tipos de redes
neuronales nonocapas, multicapas con propagación hacia
adelante y atrás para conocer las ventajas que ofrece este
algoritmo sobre esas redes neuronales.
Probar este este experimento sobre el nuevo sistema
operativo de Windows IoT y comparar los resultados
obtenidos en Raspbian.
De Montfort, 2009.
[8] A. B. Crespo, Aprendizaje Máquina Multitarea
mediante Edición de Datos y Algoritmos de
Aprendizaje Extremo, Cartagena - Colombia:
Universidad Politécnica de Cartagena, 2013.
[9] A. P. Engelbrech, Computational Intelligence An
Introduction, Wiley: University of Pretoria, 2007.
6 REFERENCIAS
[1]
Nan-Ying Liang, "A Fast and Accurate On-line
Sequential Learning Algorithm for Feedforward
Networks," IEEE Transactions on Neural
Networks, vol. 17, no. 6, pp. 1411-1426, 2006.
[2] David A. Elizondo and Stephen G. Matthews,
"Recent Patents on Computational Intelligence,
Centre for Computational Intelligence," Leicester,
De Montfort University, 2009.
[3] A. B. Crespo, Aprendizaje Máquina Multitarea
mediante Edición de Datos y Algoritmos de
Aprendizaje Extremo, Cartagena - Colombia:
Universidad Politécnica de Cartagena, 2013.
[4] E. Cambria, "Extreme Learning Machines," IEEE
Intelligent Systems, pp. 30-59, 2013.
[5] Q. Huang, "Extreme Learning Machine: Theory and
Applications," Neurocomputing, no. 70(1-3), pp.
489-501, 2006.
[6] J. m. m. Olmo, Desarrollo software de técnicas para
el diseño automático de Redes Neuronales
Artificiales con bajo coste computacional,
Cartagena - Colombia: Universidad Politecnica de
Cartagena, 2013.
[7] E. D. a. S. G. Matthews, Recent Patents on
Computational Intelligence, Centre for
Computational Intelligence, Leicester: University
[10] F. Fundacion Española para la Ciencia y la
tecnologia, Meteorologia y Climatologia, España:
Fundacion Española para la Ciencia y la tecnologia,
FECYT, 2004.
[11] Z. Q. C. Huang Guang-Bin, "Extreme Learning
Machine: Theory and Applications,"
Neurocomputing, vol. 70, no. 1-3, pp. 489-501,
2006.
[12] P. Q. Quispe, Redes neuronales evolutivas para la
prediccion de heladas, La Paz - Bolivia: UMSA,
2009.
[13] S. P. J. Rajesh R., "Extreme Learning Machines - A
Review and State-of the art.," International Journal
of wisdom based Computing, vol. 1, pp. 35-48,
2011.
[14] L. G. Matías Ramíre, Heladas, CENTRO
NACIONAL DE PREVENCIÓN DE DESASTRES
- CENAPRE, 2001.
[15] S. B. Rampal Singh, "Application of Extreme
Learning Machine Method for Time Series
Analysis," International Journal of Intelligent
Technology, vol. 2, no. 4, pp. 256-262, 2007.