Page 76 - 4524

вання Ймовірнісної складової і максимальне збільшення дете-
рмінованої частини.
Задачі відображення можна розбити на два основних
класи: класифікація і регресія.
У задачах класифікації потрібно визначити, до якого з
декількох заданих класів належить даний вхідний набір. При-
кладами можуть служити надання кредиту, діагностика захво-
рювань, розпізнавання образів.
У задачах регресії потрібно передбачати значення змін-
ної, що приймає неперервні числові значення: ціна акцій, ви-
трата палива в автомобілі, прибуток кампанії і т.п.
Передбачення явищ можна поділити на:
 передбачення відгуків для множини дискретних вхід-
них даних, не пов'язаних із часом (економічні, соціологічні
оцінки та ін.);
 прогнозування явищ, які безперервно змінюються у ча-
сі (фізичні процеси, природні явища, тощо); дані представлені
у вигляді часових рядів.
Для вирішення задачі за допомогою нейронної мережі,
необхідно зібрати дані для навчання. Навчальна множина да-
них являє собою набір прикладів, для яких відомо значення
вхідних і вихідних параметрів. Перше, що потрібно вирішити,
- які параметри використовувати і скільки прикладів вибрати.
Початково, вибір параметрів здійснюється інтуїтивно.
Досвід роботи в обраній предметній області допоможе визна-
чити, які змінні є важливими. Для початку має сенс включити
всі змінні, які, на Вашу думку, можуть впливати на результат -
на наступних етапах цю множину можна скоротити.
Для забезпечення обґрунтованого вибору, вилучення не-
суттєвих ознак, що вносять додаткові спотворення при на-
вчанні, можливе застосування відомих методів математичної
статистики.
Факторний аналіз. Внесок кожної вхідної ознаки мож-
на оцінити також за її впливом на середнє значення вихідної
величини. Нехай зовнішній вихід моделі НМ залежить від де-
кількох факторів
y=f(a 1x 1, a 2x 2, ..., a ix i...), (6.1)
Оберемо деякий фактор а іх і. Для всіх реалізацій навча-
льної множини визначимо значення вихідної величини при

75