Обучающее множество

Cтраница 4

Первое естественное желание состоит в том, чтобы увеличивать число примеров в обучающем множестве. Чем их больше, тем более представительны данные. Как и в любом физическом измерении, увеличение числа наблюдений уменьшает шум. Если имеется несколько измерений одного объекта, сеть возьмет их среднее значение, и это лучше, чем точно следовать одному единственному за-шумленному значению. [46]

Пример платежной матрицы системы BFAGLF. [47]

Она воспринимает файл данных, записанных в том же формате, что и обучающее множество, и применяет к нему файл правил. Заметим, что использование правил, создаваемых программой HERB, не связано со значительными вычислениями, и их можно было бы проделать вручную. Программа LEAF просто удобнее. [48]

В общем случае при решении задач распознавания многоуровневые персептронные неиросети могут формировать, вследствие неполноты обучающего множества, непредсказуемые значения на выходах при предъявлении векторов, непохожих на примеры, использованные при обучении. [49]

Недостатком этого приема является уменьшение числа примеров, которые можно было бы взять в качестве обучающего множества. Малость базы данных - это серьезная проблема. Более того, оценка качества работы сети зависит от выбора образцов, составляющих подтверждающее множество. Даже при случайной выборке разные разбиения базы данных на обучающее и подтверждающее множества дают разные оценки. [50]

Влияние отдельных переменных ( по видам. [51]

В табл. 4.4 представлена статистика по видам влияния переменных на результат, полученная на материале обучающего множества. Из нее видно, что наибольшее влияние на прогноз оказывают годовой прогноз правительства, число рабочих дней и календарные эффекты. [52]

При относительно простой конфигурации эта сеть имеет 44 потенциальных степени свободы при том, что в обучающем множестве имеются 45 наблюдений. [53]

В процессе обучения ДАЗУ происходит покрытие гиперсферами областей СП, в которые отображаются реализации речевых образов из обучающего множества. [54]

Во всех этих системах обучение правилам классификации происходит в результате рассмотрения цепочки правильно классифицированных обучающих примеров - обучающего множества. При этом предполагается, что такие правила впоследствии могут быть применены к новым данным такого же типа, которых не было в обучающем множестве. Правильная классификация лежит в основе многих систем искусственного интеллекта, таких как интеллектуальные управляющие устройства, системы диагностики, советчики, чувствительные устройства роботов и тому подобные системы. [55]

Трубка СП.| Граф, образованный объединением гипертрубок в СП. [56]

В процессе обучения ДАЗУ происходит покрытие гиперсферами областей СП, в которые отображаются реализации речевых образов из обучающего множества. [57]

Цель алгоритма УЧЕНИК - заставить ПРАВИЛА создать то же множество D для данного /, которое рекомендуется обучающим множеством. [58]

Длина алгоритма произвольного преобразования n - разрядных символов. [59]

Для таких неформализуемых задач частичным описанием алгоритма является некое подмножеством полной таблицы преобразований - множество примеров, или обучающее множество. Возникает новый класс задач - восстановления алгоритма по набору примеров, обучения на примерах. [60]

Страницы: 1 2 3 4 5