Обучающее множество

Cтраница 3

Когда наиболее важный вопрос выбран, выполняется расщепление обучающего множества на 5да и 5нет5 затем для каждого подмножества выполняются аналогичные вычисления. [31]

Первое слагаемое представляет собой логарифм среднеквадратичной ошибки на обучающем множестве. Второе слагаемое зависит от числа степеней свободы и растет линейно с ростом размера сети. Критерий действует так: сеть, имеющая наименьшее значение NBIC, обладает наилучшими способностями к прогнозу и обобщению. [32]

Метки, указывающие принадлежность к классам для объектов из обучающего множества, могут быть размытыми. Это означает, что специалист, который присваивает объектам метки, должен судить об объекте с учетом всех возможных классов. Следует обратить внимание на то, что эти значения членства соответствуют возможностям, а не вероятностям. [33]

Первая проверка алгоритма УЧЕНИК показала, что легко сконструировать такие обучающие множества, которые совершенно невозможно правильно идентифицировать с использованием имеющихся правил. В качестве простого примера отметим, что Si ( a; 0 7), ( в; 0 6) и 82 ( а; 0 4), ( в; 0 8) не могут быть одновременно обработаны одним и тем же множеством правил. Более тонкие трудности могут встречаться всякий раз, когда два различных множества начальных суждений в ОМ имеют общие элементы. [34]

В качестве центров радиальных элементов берутся несколько случайно выбранных точек обучающего множества. В силу случайности выбора они представляют распределение обучающих данных в статистическом смысле. Однако, если число радиальных элементов невелико, такое представление может быть неудовлетворительным. [35]

Выбирается очередная обучающая пара ( X, Y) из обучающего множества; вектор X подается на вход сети. [36]

Для работы алгоритма фокусирования необходимо также наличие отрицательных примеров в обучающем множестве. С помощью отрицательных примеров учитель ограничивает набор допустимых обобщений и может определить, когда обучение должно быть завершено. Алгоритм формирует результат в виде обобщенного продукционного правила, выраженного через известные предикаты. [37]

График разброса отображенных объектов для ц 1, 0 и г 3. [38]

Для построения функции расстояния при данных значениях л и г использовалось обучающее множество, включающее по 25 объектов из каждого класса. [39]

График разброса отображенных объектов для и 1, Оиг 3. [40]

Для построения функции расстояния при данных значениях ц и г использовалось обучающее множество, включающее по 25 объектов из каждого класса. [41]

Может оказаться затруднительным определить, выполнено ли условие разделимости для конкретного обучающего множества. Кроме того, во многих встречающихся на практике ситуациях входы часто меняются во времени и могут быть разделимы в один момент времени и неразделимы в другой. В доказательстве алгоритма обучения персептрона ничего не говорится также о том, сколько шагов требуется для обучения сети. Мало утешительного в знании того, что обучение закончится за конечное число шагов, если необходимое для этого время сравнимо с геологической эпохой. Кроме того, не доказано, что персептронный алгоритм обучения более быстр по сравнению с простым перебором всех возможных значений весов, и в некоторых случаях этот примитивный подход может оказаться лучше. [42]

НС из одного нейрона. [43]

Шаги со 2-го по 5 - й повторяются для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемой величины. [44]

Типичный случай переобучения. [45]

Страницы: 1 2 3 4 5