Page 58 - 4524
P. 58

Виходи мережі можна інтерпретувати, як оцінки ймовір-
                            ності належності елементу певному класу. Ймовірнісна мере-
                            жа вчиться оцінювати функцію густини ймовірності, її вихід
                            розглядається як очікуване значення моделі в даній точці про-
                            стору  входів.  Це  значення  пов'язане  з  густиною  ймовірності
                            спільного розподілу вхідних і вихідних даних.
                                  Задача оцінки густини ймовірності відноситься до обла-
                            сті  байєсівської  статистики.  Звичайна  статистика  по  заданій
                            моделі показує, яка ймовірність того або іншого виходу (на-
                            приклад, на гральній кістці 6 очок буде випадати в середньому
                            в одному випадку з шістьох). Байєсова статистика інтерпретує
                            по іншому: правильність моделі оцінюється по наявних дос-
                            товірних  даних,  тобто  надає  можливість  оцінювати  густину
                            ймовірності розподілу параметрів моделі по наявних даних.
                                  При рішенні задач класифікації можна оцінити густину
                            ймовірності для кожного класу, порівняти між собою ймовір-
                            ності належності до різних класів і обрати модель з парамет-
                            рами, при яких густина ймовірності буде найбільшою.
                                  Оцінка густини ймовірності в мережі заснована на ядер-
                            них оцінках. Якщо приклад розташований в даній точці прос-
                            тору, тоді в цій точці є певна густина ймовірності. Кластери з
                            близько розташованих точок, свідчать, що в цьому місці гус-
                            тина імовірності велика. Поблизу спостереження є більша до-
                            віра  до  рівня  густини,  а по  мірі  віддалення  від  нього  довіра
                            зменшується і плине до нуля. В методі ядерних оцінок в точ-
                            ку, що відповідає кожному прикладу, поміщається деяка про-
                            ста функція, потім вони всі додаються і в результаті утворю-
                            ється оцінка для загальної густини імовірності. Найчастіше в
                            якості ядерних функцій беруть дзвоноподібні функції (гаусо-
                            ві).  Якщо  є  достатня  кількість  навчальних  прикладів,  такий
                            метод дає добрі наближення до істинної густини імовірності.
                                  Ймовірнісна мережа має три прошарки: вхідний, радіа-
                            льний та вихідний (рис. 5.8). Радіальні елементи беруться по
                            одному  на  кожний  приклад.  Кожний  з  них  містить  гаусову
                            функцію з центром в цьому прикладі. Кожному класу відпові-
                            дає один вихідний елемент. Вихідний елемент з'єднаний лише
                            з радіальними елементами, що відносяться до його класу і пі-
                            дсумовує виходи всіх елементів, що належать до його класу.
                            Значення  вихідних  сигналів  утворюються  пропорційно  ядер-
                            них оцінок ймовірності належності відповідним класам.

                                                           57
   53   54   55   56   57   58   59   60   61   62   63