Page 57 - 4703

трьох наборах, кожен з яких може бути навчальним, кон-
трольним або тестовим. Можна сказати, що дані "розтікають-
ся" по навчальному, контрольному і тестовому множинам.
Щоб повністю розділити ці множини, довелося б сформувати
окремі блоки навчальних, контрольних і тестових спостере-
жень, відокремлені один від одного достатнім числом спосте-
режень, що не враховуються.
Декілька перших спостережень можна використати тіль-
ки в якості вхідних даних. При виборі спостережень в часово-
му ряду номер спостереження завжди відповідає вихідному
значенню. Тому перші декілька спостережень взагалі немож-
ливо вибрати (для цього було б потрібно ще декілька спосте-
режень, розташованих перед першим спостереженням в по-
чаткових даних), і вони автоматично позначаються як такі,що
не враховуються.

1.6 Відбір змінних і пониження розмірності

Досі, говорячи про побудову і конструювання мережі, ми
припускали, що вхідний і вихідний шари задані, тобто, що ми
вже знаємо, які змінні подаватимуться на вхід мережі, і що
буде її виходом. Те, які змінні будуть вихідними, відомо
завжди (принаймні у разі керованого навчання). Що ж до
вхідних змінних, їх правильний вибір іноді представляє значні
труднощі. Часто ми не знаємо заздалегідь, які з вхідних
змінних дійсно корисні для вирішення завдання, і вибір хоро-
шої множини входів буває ускладнений цілим рядом обставин
:
 Прокляття розмірності. Кожен додатковий вхідний
елемент мережі - це нова розмірність в просторі даних. З цієї
точки зору стає зрозуміло наступне: щоб досить щільно "засе-
лити" N-вимірний простір і "побачити" структуру даних, треба
мати досить багато точок. Необхідне число точок швидко зро-
N
стає з ростом розмірності простору (грубо кажучи, як 2 для
більшості методів). Більшість типів нейронних мереж (зокре-
ма, багатошаровий персептрон MLP) у меншій мірі стражда-
ють від прокляття розмірності, чим інші методи, тому що ме-

57