Page 154 - 4703

Властивість топологічної впорядкованості досягається в
алгоритмі за допомогою додаткового використання поняття
околиці. Околиця - це декілька нейронів, що оточують нейрон,
що виграв. Подібно до швидкості навчання, розмір околиці
убуває з часом, так що спочатку до неї належить досить вели-
ке число нейронів (можливо, майже уся топологічна карта); на
самих останніх етапах околиця стає нульовою (тобто склада-
ється тільки з нейрона, що виграв). Насправді в алгоритмі Ко-
хонена коригування застосовується не лише до нейрона, що
виграв, але і до усіх нейронів з його поточної околиці.
Результатом такої зміни околиць є те, що спочатку до-
сить великі ділянки мережі "перетягуються" - і притому помі-
тно - у бік навчальних прикладів. Мережа формує грубу стру-
ктуру топологічного порядку, при якій схожі спостереження
активують групи нейронів, що близько лежать, на топологіч-
ній карті. З кожною новою епохою швидкість навчання і роз-
мір околиці зменшуються, тим самим усередині ділянок карти
виявляються усе більш тонкі відмінності, що врешті-решт
призводить до тонкого налаштування кожного нейрона. Часто
навчання умисне розбивають на дві фази: коротшу - з вели-
кою швидкістю навчання і великими околицями, і довшу - з
малою швидкістю навчання і нульовими або майже нульовими
околицями.
Примітка: Результати, показані в цьому прикладі може
злегка відрізнятися для вашого аналізу, оскільки, наприклад,
нейронні мережі використовують алгоритми генераторів ви-
падкових чисел для генерації початкового значення ваги (від-
правних точок) нейронних мереж, які часто призводять до
отримання дещо відмінного (локальних мінімумів) рішення
щоразу при запуску аналізу . Також зверніть увагу, що зміна
виду щільності для генератора випадкових чисел, який вико-
ристовується для створення підмножин зразків train, test, і val-
idation (навчання, тестування і підтвердження) може вплинути
на результати.

2.2 Побудова моделі

Сформулюємо завдання кластерного аналізу. У нашому
розпорядженні є 1200 об'єктів (по кількості доступних для

154