Page 47 - 4703

ження людського тіла безперервно відображається на цю дво-
вимірну поверхню).

1.3 Рішення завдань класифікації в пакеті ST Neural
Networks

У завданні класифікації мережа повинна віднести кожне
спостереження до одного з декількох класів (чи, в загальнішо-
му випадку, оцінити вірогідність приналежності спостережен-
ня до кожного з класів). У пакеті ST Neural Networks для кла-
сифікації використовується номінальна (групуюча) вихідна
змінна - різні її значення відповідають різним класам.
У пакеті ST Neural Networks класифікацію можна
здійснювати за допомогою мереж наступних типів: бага-
тошарового персептрона, радіальної базисної функції, ме-
режі Кохонена, імовірнісної нейронної мережі і лінійної ме-
режі. Єдина з мереж пакету ST Neural Networks, не призначена
для завдань класифікації - це узагальнено-регресійна мережа.
Номінальні змінні представляються в пакеті ST Neural
Networks в одному з двох видів ( перший з них годиться тільки
для змінних з двома значеннями) : 1) бінарному (два стани) і
2) один-із-N. При бінарному представленні змінній відповідає
один вузол мережі, при цьому значення 0.0 означає активний
стан, а 1.0 - неактивне. При кодуванні 1-із-N на кожен стан
виділяється один елемент, так що кожен конкретний стан
представляється як 1.0 у відповідному елементі і 0.0 в усіх
інших.
Номінальні вхідні змінні в пакеті ST Neural Networks мо-
жуть бути перетворені одним з цих методів як на етапі нав-
чання мережі, так і при її роботі. Цільові вихідні значення для
елементів, що відповідають номінальним змінним, також лег-
ко визначаються під час навчання. Дещо більші зусилля по-
трібно на те, щоб за результатами роботи мережі визначити
вихідний клас.
Кожен з вихідних елементів міститиме числові значення
в інтервалі від 0.0 до 1.0. Щоб упевнено визначити клас по
набору вихідних значень, мережа повинна вирішити, чи "до-
сить близькі" вони до нуля або одиниці. Якщо такої близькості
не спостерігається, клас вважається "невизначеним".

47