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
   38   39   40   41   42   43   44   45   46   47   48