Оптимальная сложность

Cтраница 2

В зависимости от объема данных алгоритмы выбирают для каждой задачи оптимальную сложность модели, f Основная работа здесь выполняется программами автоматически. [16]

Обучающее ( темные точки и валидационные ( светлые точки множества примеров. [17]

Прежде всего, для любого из перечисленных методов необходимо определить критерий оптимальной сложности сети - эмпирический метод оценки ошибки обобщения. Поскольку ошибка обобщения определена для данных, которые не входят в обучающее множество, очевидным решением проблемы служит разделение всех имеющихся в нашем распоряжении данных на два множества: обучающее - на котором подбираются конкретные значения весов. На самом деле, должно быть еще и третье - тестовое множество, которое вообще не влияет на обучение и используется лишь для оценки предсказательных возможностей уже обученной сети. [18]

Из этого наблюдения был сделан вывод, что для всякой задачи существует оптимальная сложность модели, при которой достигается наилучшее качество обобщения. [19]

Устойчивость решения обратной задачи обеспечивается за счет выбора из представленных моделей соотношения оптимальной сложности. [20]

Применяемый в этих случаях метод группового учета аргументов позволяет определить самоорганизующуюся модель оптимальной сложности по заданному критерию, позволяющую выявить закономерности, действующие в объекте управления. [21]

Анализ опубликованных работ [1-5] показывает, что в каждом частном случае имеется своя оптимальная сложность теста, при которой чувствительность метода ( по изменению качества слежения от исследуемого воздействия) оказывается наибольшей. Диапазоны возможных вариаций параметров программы теста при этом невелики, что приводит к необходимости перестройки программирующего блока при смене контингента испытуемых или при изменении условий проведения эксперимента. В этом отношении более совершенным методом следует считать так называемое адаптивное слежение [6, 7], в котором степень сложности теста устанавливается автоматически в зависимости от качества работ оператора. [22]

Существенно отметить, однако, что разные типы задач восстановления по-разному чувствительны к точности выбора оптимальной сложности. Наименее чувствительными являются задачи распознавания образов. Это объясняется прежде всего грубостью самой восстанавливаемой зависимости, которая может принимать лишь дискретные значения. Наличие зазора между классами также делает качество решения слабо чувствительным даже к довольно значительным изменениям решающего правила. [23]

Результаты математического эксперимента показывают, что при достаточно большом числе экспериментальных точек оба метода выбора модели оптимальной сложности дают правильный результат ( п - 3), но при малых выборках метод СМСР становится излишне грубым и выбирает более простую модель, чем следует. [24]

В последнем столбце табл 3.4 представлены значения нечеткого критерия / А построенного с целью отбора реологической модели оптимальной сложности по данным вискозиметрических исследований, приведенных в разделе 3.3 1 Как видим, оптимальной вновь признается степенная модель Оствальда, что соответствует результату, полученному ранее с помощью метода структурной минимизации среднего риска. [25]

В последнем столбце табл. 2.4 представлены значения нечеткого критерия / /, построенного с целью отбора реологической модели оптимальной сложности по данным вискозиметрических исследований, приведенных в разделе 2.3.1. Как видим, оптимальной вновь признается степенная модель Оствальда, что соответствует результату, полученному ранее с помощью метода структурной минимизации среднего риска. [26]

При этом роль человека сводится к улучшению модели объекта в части выбора списка наблюдаемых переменных ( среды решения задачи) и к указанию критерия селекции модели оптимальной сложности. Последнее достигается применением метода экспертных оценок специалистов разного профиля. Любая математическая модель позволяет учесть влияние на исследуемый процесс только тех факторов, значения которых применялись в течение некоторого периода времени. Поэтому задача установления технически обоснованных прогрессивных норм УРЭ при использовании метода МГУА для отдельных однородных объектов может быть успешно решена на более высоком уровне управления: для технической установки или цеха - на уровне предприятия или объединения. Наименьшая достигнутая норма УРЭ среди однородных объектов принимается за прогрессивную. Подбор однородных объектов в группу производится на основе применения методов теории распознавания образов. [27]

Оценивание этих умений осуществляется по количественному признаку - числу допущенных ошибок, числу правильных ответов, времени выполнения задания, а также по качественному-специально подобранным заданиям оптимальной сложности. [28]

Искомые правила кластеризации можно легко представить в виде компактной системы логических функций. Оптимальная сложность в рамках этого метода достигается благодаря тому, что не требуется заранее назначать число нейронов и определять синаптические связи между ними: они находятся в результате самоорганизации на обучающей выборке. При этом для оценивания синаптических соединений не требуются тратить много машинного времени на реализацию градиентных методов. [29]

Предложено при измерении сложности учитывать как комбинаторную, так и информационную сложность. Определяется оптимальная сложность на классе алгоритмов. Для некоторых семейств итераций получены оценки снизу и сверху на оптимальную сложность. [30]

Страницы: 1 2 3 4