Page 112 - 4703

Найбільш важливими показниками тут є Net name - Тип
мережі, Training – ефективність на навчальній вибірці; Test
p…- ефективність на тестовій множині; Validation –
підтверджена ефективність. Ефективність мережі в задачах
регресії визначається через коефіцієнт кореляції між прогноз-
ними і цільовими значеннями.
У розділі Net name - описується топологія нейронної ме-
режі, тобто клас мереж, до якого вона належить (персептрон,
мережа RBF і так далі), кількість вхідних і вихідних змінних,
кількість прихованих шарів і число елементів на кожному
прихованому шарі.
Для навчання алгоритм пошуку мережі розбиває (за умо-
вчанням) усю множину спостережень на Training - Навчальну,
Validation - Контрольну і Test - Тестову множини. Кожна з
цих множин несе свою важливу функцію.
На навчальній множині Training відбувається безпосере-
днє навчання мережі, тобто зміна вагових коефіцієнтів кожно-
го з нейронів пропорційно помилці на виході. Відповідно усі
спостереження з цієї множини багаторазово беруть участь в
процедурі зміни вагових коефіцієнтів навчаної мережі.
Спостереження контрольної множини Validation в про-
цедурі зміни вагів нейронів не беруть участь. Основна функція
цих даних - в постійному контролі здатності мережі до уза-
гальнення даних, на яких вона не навчалася. Така процедура
називається крос-перевіркою. На кожному кроці алгоритму
навчання розраховується помилка для усього набору спосте-
режень з контрольної множини і порівнюється з помилкою на
навчальній множині. Природно, що ці помилки відрізняти-
муться. Як правило, помилка на контрольній множині пере-
вищує помилку на навчальній множині. Проте, важливий не
сам факт відмінності, а спостережувана тенденція помилок.
Дійсно, алгоритм навчання націлений на мінімізацію по-
милки на виході мережі. Відповідно, помилка на навчальній
множині просто зобов'язана в середньому зменшуватися. Але
ніхто не обіцяє спаду помилки на перевірочній множині. От-
же, якщо спостерігається картина росту помилки на контроль-
ній множині, тоді як вона зменшується на навчальній множи-
ні, то це говорить про те, що мережа "зазубила" усі пред'явлені
їй спостереження і не здатна до узагальнення. Такий стан на-
зивається

112