Page 81 - 4703

вого вікна Results (Run Models). Найбільш важливими показ-
никами тут є Profile - Тип мережі, Train, Select, Test
Performance - Продуктивність мережі на учбовій, контроль-
ній, тестовій множині і Train Error, Select Error, Test Error -
Помилки на учбовому, контрольному і тестовому множинах.
У разі процедури класифікації продуктивність є відсот-
ком спостережень, які правильно класифікуються. Тобто, чим
ближче продуктивність до одиниці, тим краще. В результаті,
має бути відібрана мережа, з найбільшою продуктивністю, в
сенсі максимального відсотка правильно класифікованих спо-
стережень.
Ви не повинні занадто вірити високій продуктивності
відносно учбового набору, яка часто оманливо хороша
(вказівка надлишкового навчання). Крім того, ви повинні уни-
кати використання продуктивності тестових випробувань, щоб
вибрати моделі.
Використовуйте критерій якості роботи на підмножині
вибору - Select Perf, щоб розрізнити і вибрати кращі мережі.
Значення критерію якості роботи залежить від типу ме-
режі. Для мереж класифікації це - пропорція випадків в
підмножині, правильно класифікованій.
Train Error/Select Error/Test Error. Алгоритми навчання
нейронної мережі оптимізують функцію похибок (наприклад,
RMS - среднєквадратичне значення взаємної ентропії між
спостережуваними і передбаченими виходами). Ці колонки
повідомляють про норми похибок відносно підмножин Train
Error/Select Error/Test Error. Норма похибок є такою, що менш
безпосередньо піддається тлумаченню, чим критерій якості
роботи, але має велике значення безпосередньо для алгоритмів
навчання.
За функцію похибок найчастіше береться сума квадратів
похибок, тобто коли усі помилки вихідних елементів для усіх
спостережень зводяться до квадрату і потім підсумовуються.
При роботі з пакетом ST Neural Networks користувачеві ви-
дається так звана середньоквадратична похибка (RMS) - опи-
сана вище величина нормується на число спостережень і
змінних, після чого з неї береться квадратний корінь.
Натиснувши кнопку Description statistics відкриваємо ві-
кно з електронними таблицями Classification і Confusion
Matrix. Електронна таблиця Classification подає деталі класи-

81