Cтраница 1
Обучающие выборки для алгоритмов / D3, ДРЕВ не должны содержать объектов с неизвестными значениями, хотя после того, как решающие правила сформированы, их можно использовать для классификации объектов с неизвестными значениями некоторых атрибутов. Еще одной характерной особенностью алгоритма последовательной классификации является представление решающего правила в виде информационной базы, более сложной, чем рассмотренные выше представления. Предложенный алгоритм имеет невысокую вычислительную сложность, определяет принадлежность предъявленного объекта одному из множества классов, но не подходит для случая чисто качественных признаков. [1]
Если обучающие выборки содержат только положительные примеры формируемого понятия, обучение на таких примерах может привести к построению чрезмерно общих индуктивных понятий. Такие понятия смогут охватить все предъявленные примеры, но с их помощью бесполезно пытаться различить два близких объекта, принадлежащих на самом деле к разным классам. Гораздо эффективнее использовать для обучения множество, содержащее как положительные, так и отрицательные примеры некоторого понятия. При этом снижается риск получения чрезмерно общих индуктивных описаний. [2]
Найдены лучшие обучающие выборки факторов по видам мероприятий, которые при применении задач определяют эффект проводимых мероприятий. [3]
Анализ проводимых ГТМ позволил найти лучшие обучающие выборки по отдельным комплексам, которые при эксплуатации задач определили эффект проводимых мероприятий. [4]
Для решения практических задач часто требуются обучающие выборки большого объема. Поэтому в ряде нейропакетов предусмотрены средства, облегчающие процесс формирования и использования обучающих примеров. Однако в настоящее время отсутствует универсальная методика построения обучающих выборок и набор обучающих примеров, как правило, формируется индивидуально для каждой решаемой задачи. [5]
До сих пор мы предполагали, что обучающие выборки, используемые для создания классификатора, были помечены, чтобы показать, к какой категории они принадлежат. Процедуры, использующие помеченные выборки, называются процедурами с учителем. [6]
Применяемые в системе методы обучения требуют использовать обучающие выборки большого объема. [7]
Так, например, в большинстве задач распознавания образов отсутствует информация о вида законов распределения значений характеристик исследуемых объектов, обучающие выборки имеют малые размеры. В этих случаях приходится использовать специальные непараметрические методы. Предлагаемая книга в определенной степени восполняет создавшийся пробел. [8]
Для первой задачи характерно по некоторому набору признаков с помощью выбранного решающего правила определить, к какому классу относятся рассматриваемые объекты. Первоначально существует некоторое количество объектов, образующих так называемые обучающие выборки, для которых указываются классы, содержащие эти объекты. [9]
Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в интеллектуальных системах. На основе предъявленных примеров ( и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры. Источником примеров, на которых осуществляется обучение, может быть учитель - то есть лицо, которое заранее знает концепцию формируемого понятия и подбирает наиболее удачные обучающие выборки. Источником примеров для обучения может быть внешняя среда, с которой взаимодействует интеллектуальная система. В этом случае обучающие выборки формируются случайным образом в зависимости от внешних факторов. [10]
Общими для всех трех выборок были только 5 дескрипторов, которые перечислены в табл. 7.4 с указанием характера соответствующих корреляций. Подобные корреляции отражают тот факт, что компоненты весовых векторов для этих дескрипторов имеют одинаковый знак по всем трем обучающим выборкам; по дескриптору числа атомов кислорода две обучающие выборки дали положительные результаты и одна - отрицательный. Последнее обстоятельство объясняется, по-видимому, артефактом третьей выборки. [11]
Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в интеллектуальных системах. На основе предъявленных примеров ( и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры. Источником примеров, на которых осуществляется обучение, может быть учитель - то есть лицо, которое заранее знает концепцию формируемого понятия и подбирает наиболее удачные обучающие выборки. Источником примеров для обучения может быть внешняя среда, с которой взаимодействует интеллектуальная система. В этом случае обучающие выборки формируются случайным образом в зависимости от внешних факторов. [12]