Page 43 - 4703
P. 43
У пакеті ST Neural Networks є можливість створити
лінійну мережу і навчити її за допомогою стандартного алго-
ритму лінійної оптимізації, заснованого на псевдозворотних
матрицях. Метод лінійної оптимізації реалізований також в
модулі Множинна регресія системи STATISTICA; проте,
лінійні мережі пакету ST Neural Networks мають ту перевагу,
що тут можна в єдиному середовищі порівнювати такі мережі
з "справжніми" нейронними мережами.
Лінійна мережа є хорошою точкою відліку для оцінки
якості побудованих нейронних мереж. Може виявитися так,
що завдання, що вважалося дуже складною, можна успішно
розв’язати не лише нейронною мережею, але і простим ліній-
ним методом. Якщо ж в завданні не так багато навчальних
даних, то, вірогідно, просто немає підстав використати склад-
ніші моделі.
1.2.7 Мережа Кохонена
Мережі Кохонена принципово відрізняються від усіх
інших типів мереж, реалізованих в пакеті ST Neural Networks.
Тоді як усі інші мережі призначені для завдань з керованим
навчанням, мережі Кохонена головним чином розрахована на
некероване навчання.
При керованому навчанні спостереження, що становлять
навчальні дані, разом з вхідними змінними містять також і
вихідні значення, що відповідають їм, і мережа повинна відно-
вити відображення, що переводить перші в другі. У разі ж не-
керованого навчання навчальні дані містять тільки значення
вхідних змінних.
На перший погляд це може здатися дивним. Як мережа
зможе чомусь навчитися, не маючи вихідних значень?
Відповідь полягає в тому, що мережа Кохонена вчиться ро-
зуміти саму структуру даних.
Одне з можливих застосувань таких мереж - розвіду-
вальний аналіз даних. Мережа Кохонена може розпізнавати
кластери в даних, а також встановлювати близькість класів.
Таким чином користувач може поліпшити своє розуміння
структури даних, щоб потім уточнити нейромережеву модель.
Якщо в даних розпізнані класи, то їх можна позначити, після
чого мережа зможе вирішувати завдання класифікації. Мережі
43