Page 80 - 4524
P. 80

можуть  спотворити  результат  навчання.  У  таких  випадках
                            найкраще постаратися знайти і виявити ці викиди (вилучити
                            відповідні  приклади  або  перетворити  викиди  в  пропущені
                            значення). Якщо викиди виявити важко, то можна скористати-
                            ся можливостями зробити процес навчання стійким до вики-
                            дів, однак таке стійке до викидів навчання, як правило, менш
                            ефективно, ніж стандартне.
                                  Згладжування даних. Позитивний ефект надається при
                            використанні  додаткової  нейромережі,  що  функціонує  в  ре-
                            жимі згладжування вхідних даних навчальної множини. В ре-
                            жимі навчання додаткової мережі кожна реалізація навчальної
                            множини  набуває  вигляду:  вектор  вхідних  значень®  вектор
                            вхідних значень (рис. 6.1).










                              Рисунок 6.1 - Приклад застосування нейромережі для згла-
                                                    джування даних

                                  В  режимі  функціонування  на  входи  подаються  вхідні
                            значення навчальної множини, на виході отримуємо згладжені
                            значення, без наявних викидів, які в подальшому можна вико-
                            ристовувати  для  опрацювання.  Можна  дати  наступне  пояс-
                            нення  ефекту  згладжування  даних.  Залежність  вихідних  зна-
                            чень нейромережі від вхідних може бути представлена сумар-
                            ним степеневим поліномом, так як передатні функції нейронів
                            прихованого шару - поліноміальні. При незначному числі ней-
                            ронів  прихованого  шару  і  невисоких  степенях  поліномів  су-
                            марний поліном буде невисокого степеня, що не дає можливо-
                            сті  відтворювати  викиди, тобто  приводить  до  згладжуваного
                            відтворення.
                                  Питання про те, скільки прикладів потрібно мати для на-
                            вчання мережі, часто виявляється непростим. Відомо ряд пра-
                            вил, що погоджують число необхідних прикладів з розмірами
                            мережі (найпростіше з них говорить, що число прикладів по-

                                                           79
   75   76   77   78   79   80   81   82   83   84   85