Cтраница 3
К тому же этот объем предпочтительно не должен иметь слишком сложную форму. Практически это означает, что при сложной комбинаторике признаков и экстремальных и периодических зависимостях активности катализаторов по координатам признаков метод потенциалов может не дать хороших результатов. Кроме того, при больших размерностях задач решение их по методу потенциальных функций требует большого расхода машинного времени. Поэтому при решении задач прогнозирования катализаторов сложного характера предпочтительно использовать алгоритмы, базирующиеся на принципе перцептрона. Особенно это относится к задачам, когда в значительном объеме признаки имеют качественный характер, поскольку в этих случаях при определении расстояний по методу потенциальных функций могут быть внесены существенные ошибки. [31]
Недостатком изложенного выше простейшего алгоритма потенциальных функций является его большая чувствительность к неравномерному расположению точек обучающей последовательности в пространстве признаков. Может оказаться, например, что наибольшая плотность точек будет в тех частях каждого из классов, которые соседствуют с малонаселенной областью другого класса ( рис. VI. В этом случае возможны ошибки при распознавании. Действительно, новая точка х будет ошибочно отнесена к классу Б, поскольку она ближе к основной массе точек этого класса, а не к точкам своего класса А. При распознавании и прогнозировании катализаторов это может случаться особенно часто потому, что в литературных, да и в отчетных материалах обычно не приводятся данные о плохих катализаторах, которые для процесса распознавания не менее важны, чем данные о хороших катализаторах. [32]