Page 53 - 4196
P. 53

Умови збіжності алгоритмів навчання в середньому
           квадратичному записуються: для дискретного алгоритму
           навчання
                                       2  
                       lim  M   a   a      0                 (4.40)
                                 n
                      n               
                                              
           або                      P   lim  a   a    0   1;
                                                
                                     n
                               n             
           для неперервного алгоритму навчання
                                        2 
                       lim  M   a    at       0            (4.41)
                      n                
                                             
           або                   P   lim  a    at     0  1.
                                               
                             n              
                 Приклад  4.4  Розглянемо  алгоритм  навчання  для
           байесівської  процедури  побудови  рішаючої  функції  для
           двох класів. Припустимо, що відомі втрати  L     12 ,  L  не-
                                                                 21
           вірної класифікації і належність спостережень до певного
           класу; величини  p 1  f ,  x  1 , p 2  f ,  x  2   невідомі.
                 Із  умови  мінімуму  середнього  ризику  отримаємо,
           що  розподіл  вибіркового  простору  на  дві  області
            X 1  U  X  буде визначатися знаком роздільної функції
                   2
                g    Lx   21 p 2  f  x  2   L  12  p 1  f  x  1       (4.42)
                                                         s
                 Функцію   xg    шукають  у  вигляді    a  k    x   де
                                                            k
                                                        k 1
            a 1 ,..., a  - шукані параметри;   1 ,...,  - відомі функції.
                  s
                                                 k
                 Параметри a  отримаємо із умови
                                              2
                                   s
                       min  g    x   a  k    x    min  ) a ( J  ,
                                      k
                                   k 1
           яка веде до рівняння
                             s        
                        g    x    a  k    x   j   dxx    , 0  j  1 ,..., s ,
                                       
                                 k
                   X        k 1      
           або
                                        53
   48   49   50   51   52   53   54   55   56   57   58