Обучающий пример

Cтраница 1

Третий нейрон скрытого слоя ( h - связан с максимальным. [1]

Обучающие примеры для вспомогательной сети группируются согласно их дискретизованным значениям активации проблемного нейрона. [2]

Если число обучающих примеров в обоих указанных случаях мало, возникают серьезные трудности, связанные с тем, что свойство статистической устойчивости выполняется не в полной мере. Тем не менее, есть путь улучшения обычно применяемого в этом случае метода наименьших квадратов ( МНК), связанный с использованием так называемого принципа согласованности оценок. [3]

В простейшем случае формирование пары обучающих примеров для НС осуществляется по принципу движущегося окна: то есть берется некоторый отрезок временного ряда и из него выделяется несколько наблюдений, например 10; эти наблюдения и будут представлять собой входной вектор. Значением желаемого выхода в обучающем примере будет следующее по порядку наблюдение, то есть одиннадцатое. Затем движущееся окно сдвигается на одну позицию в направлении возрастания времени, и процесс формирования следующей пары обучающей выборки повторяется. Таким образом, в приведенном примере сеть, работающая в режиме прогноза, должна иметь десять входов и один выход. [4]

Теперь каждая строка таблицы представляет собой обучающий пример, где первые 4 числа - входные значения сети, а пятое число - желаемое значение выхода. Исключение составляют последние 4 строки, где данных недостаточно - эти строки не учитываются при тренировке. Заметим, что в четвертой снизу строке заданы все 4 входных значения, но неизвестно значение выхода. Именно к этой строке мы применим обученную сеть и получим прогноз на следующий день. [5]

При этом количество альтернатив и размеры подмножества обучающих примеров сужаются с увеличением глубины рекурсивной вложенности. На уровне г они составляют соответственно k - г и п / & г, где п - количество примеров. [6]

На обоих этапах используется один и тот же набор обучающих примеров, являющийся единственной информацией, использующейся в качестве исходных данных для построения и обучения нейронной сети при решении конкретной задачи. [7]

На каждом шаге алгоритма на вход сети поочередно подаются все обучающие примеры, реальные выходные значения сети сравниваются с требуемыми значениями, и вычисляется ошибка. [8]

Пусть множество Н содержит наугад выбранное подмножество размером W множества обучающих примеров. [9]

Подготовка данных для нейронной сети в Excel. [10]

Смысл этой подготовки состоит в том, что каждая строка таблицы теперь представляет собой обучающий пример, где первые четыре числа - входные значения сети, а пятое число - желаемое значение выхода. Исключение составляют последние четыре строки, где данных недостаточно. Поэтому эти строки не учитываются при обучении. Заметим, что в четвертой снизу строке заданы все четыре входных значения, но неизвестно значение выхода. Именно при применении к этой строке обученной сети и можно получить прогноз на следующий день. [11]

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. [12]

Данные на листе располагаются следующим образом: входы и выходы - столбцы, а строки - обучающие примеры. Выделяемая область может включать в первой строке названия входов как на русском, так и на английском языке. Кроме того, в первой колонке могут находиться данные, используемые не для обучения сети Кохонена, а для идентификации примеров при последующем анализе результатов. [13]

Если вы хотите заставить систему работать на новых примерах, то постарайтесь сделать так, чтобы обучающие примеры были по возможности похожи на те, которые будут предъявлены для экспертизы. Это кажется очевидным, но следует иметь в виду, что если обучение проводилось на одном наборе данных, это не значит, что система будет использовать тот же набор правил на другом, отличном от первого наборе данных. [14]

Программы, такие как META-DENDRAL и AQ11, основаны на методах, получающих обобщенные правила классификации из обучающих примеров. Например, при формировании правил, диагностирующих болезни растений, AQ11 ищет такие характеристики, которые являются общими для растений, известных как имеющие данную болезнь, и которые отличают их от здоровых растений. [15]

Страницы: 1 2 3 4