Cтраница 2
Однако отсутствие точной априорной информации о Z уп не позволяет использовать критерий ( 3) для подстройки а. Поэтому различные алгоритмы подстройки а в основном отличаются друг от друга интуитивно сформулированными критериями качества прогнозирования. Эти критерии обеспечивают, с точки зрения их авторов, удовлетворительный прогноз 0П в смысле ( 3) при изменении статистических характеристик уп. [16]
В моделях прогнозирования принимается важное допущение относительно стабильности распределения во времени случайного члена. Если изменение распределения случайного члена во времени происходит довольно медленно и носит регулярный характер, то возможно проведение оценки зависимости дисперсии случайного члена уот времени и экстраполяции этой функции на прогнозируемый период. Это позволяет соответственно корректировать прогнозы с целью повышения качества прогнозирования. [17]
Оценка качества моделей классификации представляет собой сложную задачу, потому что в большинстве реальных приложений цена ошибок неодинакова. Так например, отказ в кредите хорошему клиенту влечет за собой лишь организационные расходы на поиск нового клиента, тогда как предоставление кредита ненадежному партнеру может привести к большим убыткам. Из-за этой несимметрии денежных потоков при определении степени точности модели необходимо учитывать последствия того или иного прогноза. Качество прогнозирования банкротств определяется и тем, насколько точно выявляются банкроты, и тем, насколько точно классифицируются небанкроты. Необнаружение компании-банкрота называется ошибкой 1-го рода, а прогноз банкротства, которого на самом деле не последовало, - ошибкой 2-го рода. [18]
Присущая обучающимся машинам принципиальная способность работать с неполной информацией делает их чрезвычайно мощным инструментом прогнозирования будущего, основанного, естественно, на накопленном опыте. Подобная возможность выявлена, например, в экспериментах с распознаванием лиц по фотографиям, проведенных на машине UCLM-II, когда было установлено, что она правильно опознает человека, даже в тех случаях, когда большая половина изображения закрыта. Если при рассмотрении последовательности событий, такой, например, как произносимые голосом слова, когда первая половина фразы поступает раньше второй, машине встретится первая половина фразы, то она сможет предложить наиболее вероятный вариант продолжения. Машина, естественно, может ошибиться, однако если такая временная последовательность слов или метеорологических данных будет должным образом обработана, то можно надеяться, что машина будет повышать качество прогнозирования по мере обучения и увеличения объема хранимой информации. Успех прогнозирования зависит от наличия естественных закономерностей или ограничений в системе, задающих определенный тип последовательностей событий. Такие ограничения, очевидно, существуют в лингвистике, в артикуляции звуков речи, в изменениях давления и температуры воздуха и в инерционности процессов экономических и производственных систем. [19]