Cтраница 2
Если обучающая выборка достаточно представительна и мощна, то индуктивное описание классов в виде (7.6), (1.10) будет правильно классифицировать все рассматриваемые объекты. [16]
Если обучающая выборка достаточно представительна, то непосредственной обработкой исходной информации можно определить описания классов. [17]
Имеется обучающая выборка ( ( x [ yi) ( x2 y2) - - ( xn yn)) ( пары данных вход-выход), которая генерируется неизвестной функцией у f ( x), искаженной шумом. Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования. [18]
Поскольку обучающая выборка состоит из примеров с заранее известной принадлежностью текстов рубрикам, то имеет смысл использовать НС, в которых реализована парадигма обучения с учителем. НС имеет D входов и 2 выхода, один из которых отражает вероятность принадлежности предъявляемого текста к классу релевантных запросу текстов ( Ррел), другой - к классу нерелевантных. [19]
Селекция обучающей выборки рассмотрена здесь впервые. [20]
Классификация обучающей выборки осуществляется на языке системы признаков путем ее разбиения на конечное число подмножеств. В результате обучающая выборка включает различные образы с метками, указывающими на их классы. В таком виде она используется для усовершенствования системы распознавания образов. В этом случае говорят, что система имеет учителя, знающего правильные классы. [21]
Из обучающей выборки исключается вектор х соответствующий г-му элементу массива NR. Восстанавливаются начальные значения параметров NXR, ALFA, LR. С помощью базовой конструкции, входящей в состав подпрограммы SCONT, вычисляется обобщенный портрет PSI. В качестве начальной группы выделенных пар берется группа информативных пар, полученная при первоначальном построении обобщенного портрета основной программой FOP. Из этой группы, однако, исключены все пары, содержащие вектор. В качестве начальных значений коэффициентов разложения ALFA берутся коэффициенты, также найденные при первоначальном построении обобщенного портрета, по коэффициентам при исключенных парах присваиваются значения, равные нулю. [22]
В обучающую выборку включили 250 случайно выбранных спектров, а оставшиеся 200 спектров - в контрольную выборку. Затем отобранные в соответствии с изложенной выше процедурой перекрестные члены размещали по вакантным положениям и снова обучали классификатор, периодически проверяя прогнозирующую способность. Результаты данного исследования представлены в табл. 6.2. Испытания проводили в три цикла на разных обучающих выборках А, Б, В. [23]
После подготовки обучающей выборки определяются параметры нейросетевой модели. Ниже рассматриваются основные процедуры данного этапа. [24]
При отсутствии обучающих выборок могут быть использованы методы кластерного анализа, позволяющие разбить исследуемую совокупность объектов на группы схожих объектов, называемых кластерами, таким образом, чтобы объекты одного класса находились на близких расстояниях между собой, а объекты разных классов - на относительно отдаленных расстояниях друг от друга. [25]
Расширение объема обучающей выборки позволяет добиться большей устойчивости, но за счет увеличения времени обучения. [26]
На векторах обучающей выборки (7.34) реализуется алгоритм ОР. [27]
Группа векторов обучающей выборки, принадлежащих к 1-му классу, пополняется векторами рабочей выборки, отнесенным ] г при классификации к 1-му классу. Группа векторов обучения из 2-го класса пополняется элементами рабочей выборки, отнесенными ко 2-му классу. [28]
Возможности получения обучающей выборки ограничены, т.е. затруднено использование алгоритмов классификации с учителем, методов РО. [29]
Иногда точки обучающей выборки невозможно разделить, используя линейные функции. На рис. 12.8 приведен пример такой обучающей выборки. В случае, если классы невозможно разделить линейно, используется метод потенциалов, предназначенный для построения нелинейных решающих функций. [30]