Page 304 - 4703

вона передбачає дані, які не було використане впродовж на-
вчання). Результат узагальнення - фактично одна з основних
проблем при навчанні нейронної мережі. Коли учбові дані бу-
ли повністю апроксимовані (тобто, настільки детально, що
навіть випадковий шум в межах набору даних був відтворе-
ний), то надзвичайно важко для мережі зробити точні прогно-
зи за новими даними.
Єдиний шлях боротися з цією проблемою - роздрібнити
дані в двох (чи трьох) підмножинах: учбовий набір, перевіря-
ючий набір і набір підтвердження. Ці підмножини даних мо-
жуть потім бути використані для:
1) навчання мережі;
2) перевірки або тестування ефективності навченої ме-
режі;
3) завершального випробування, щоб визначити, як доб-
ре мережа передбачає "нові" дані.
У SANN, призначення зразків до 3-х підмножин може
бути зроблене за умовчуванням або самостійно. Ми користу-
ватимемося опцією за умовчуванням.

Стратегії побудови моделі. SANN забезпечує дві страте-
гії нейромережевого пошуку, які можуть бути використані для
побудови ваших моделей: Автоматизований Нейромереже-
вий Пошук (ANS) і Користувацькі Нейронні Мережі (CNN).
Засіб ANS може бути використаний для створення нейронних
мереж з різними врегулюваннями і конфігураціями, вимагаю-
чи мінімальних специфікацій від вас. ANS допомагає вам ство-
рювати і тестувати нейронні мережі для аналізу даних і про-
блем прогнозування. Ця стратегія проектує ряд мереж, а потім
вибирає ті мережі, які краще усього представляють зв'язок між
вхідними і цільовими змінними (тобто, ті мережі, які досяга-
ють максимальної кореляції між вхідними і цільовими змін-
ними).
Альтернативний інструмент Custom Neural Networks
(CNN) надає вам можливість вибрати індивідуальну мережеву
архітектуру і учбові алгоритми до точних специфікацій. Ви
можете користуватися CNN для навчання багаторазових ней-
ромережевих моделей точно з тими ж специфікаціями дизайну
але з різною випадковою ініціалізацією ваг. В результаті, кож-
на мережа знайде одне з можливих рішень, сформульованих

304