Обучающее множество
Cтраница 1
Обучающее множество из ассоциативно связанных фактических высказываний и заключающих высказываний является косвенным заданием целевого состояния. Каждое применение некоторого оператора О из SS изменяет ровно один весовой коэффициент. [1]
Обучающее множество - О - ( табл. 14.4) снова содержит набор записей, описывающих допустимые погодные условия для игры в гольф. Мы хотим получить описание множества X, которое состоит из записей, содержащих допустимые условия для игры. [2]
 |
Модель для Австралии. Целевая и описательные переменные. [3] |
Обучающее множество состояло из 116 месячных скользящих средних, и еще 23 было оставлено для тестового множества. [4]
Обучающее множество S содержит объекты о ( Е S. Каждый объект представлен вектором признаков, или атрибутов. Сначала в обучающем множестве находятся элементарные множества. Затем строятся объединения этих множеств и находятся верхнее и нижнее приближения. Далее приближения редуцируются, чтобы устранить избыточность информации. В итоге получаются две системы продукционных правил, для верхнего и нижнего приближений соответственно. [5]
Пусть на обучающем множестве О введено R С О х О - отношение неразличимости или эквивалентности на О. Допустим, что R - отношение эквивалентности. [6]
 |
Реализация классификатора для / С классов, работающего по критерию минимального среднеквадратичного расстояния. [7] |
Изобразить приведенное выше обучающее множество и провести разделяющие границы в пространстве признаков. [8]
Как правило, обучающее множество включает много сходных между собой входных векторов, и сеть должна быть обучена активировать один и тот же нейрон Кохонена для каждого из них. Веса этого нейрона должны получаться усреднением входных векторов, которые должны его активировать. [9]
Как правило, обучающее множество включает много сходных между собой входных векторов, и сеть должна быть обучена активировать один и тот же нейрон Кохонена для каждого из них. Постепенное уменьшение величины а уменьшает воздействие каждого обучающего шага, так что окончательное значение будет средней величиной от входных векторов, на которых происходит обучение. [10]
Количество пар в обучающем множестве не регламентируется. Если элементов слишком много или мало, сеть не обучится и не решит поставленную задачу. [11]
В табл. 13.2 приведено обучающее множество из шести примеров. [12]
Дерево используется для классификации обучающего множества. Если все примеры на некотором листе принадлежат одному классу, то этот лист помечается именем этого класса. [13]
Также рекомендуется удалять из обучающего множества необоснованные выбросы выходных сигналов или заменять их на значения, полученные путем интерполяции. Ошибки измерительной аппаратуры, отраженные в обучающем множестве, могут оказывать негативное влияние на качество обученной нейросети. [14]
Классификация образов, принадлежащих обучающему множеству, осуществляется в результате вычисления gi ( Z), il, 2, 3, для каждого Z, принадлежащего множеству. [15]
Страницы: 1 2 3 4 5