Page 152 - 4196

 J  ,W X 
W k   1  W   ck    , (4.88)
  W  W W  k
0
де величина c  визначає розмір корекції вектора ваг
W . При J  W  0 , тобто досягненні мінімуму корекції
не відбувається.
Алгоритм навчання перцептрону можна отримати з
(4.87а) при виборі функції
1
J  ,W X   W T X  W T X .
2
Тоді
J  1 T
  signX W X  X ,
 W 2
де
 якщо W T X  0
 ,1
sign W T X  
 ,1 якщо W T X  .0

При виборі c способом дрібної корекції отримаємо
алгоритм навчання у вигляді (4.87).

4.9.3 Статистичні алгоритми навчання

Особливістю статистичних алгоритмів є те, що на
відміну від детерміністичних алгоритмів вони збігаються
до апроксимації байесівського класифікатора незалежно
від наявності строгого розділення класів.
В підрозділі 4.1 було показано, що байесівська рі-
шаюча функція
d i   pX    Xf i  i  i  1 ,..., m
мінімізує середні втрати та імовірність похибки неправи-
льної класифікації. Використання формули Байеса

p 

X
f
 f  i X  f X  i     
i
дає еквівалентне співвідношення для байесівської ріша-
ючої функції
152