Искусственные нейронные сети. Сивохин А.В - 54 стр.

ещё тестовое множество наблюдений. Итоговая модель тестируется
на данных из этого множества, чтобы убедиться, что результаты,
достигнутые на обучающем и контрольном множествах, реальны.
При этом тестовое множество должно использоваться только один
раз, иначе оно превратится в контрольное множество.
   Итак, процедура построения нейронной сети состоит из следую-
щих шагов:
   1. Выбрать начальную конфигурацию сети в виде одного слоя с
числом нейронов, равным половине общего количества входов и вы-
ходов.
   2. Обучить сеть и проверить ее на контрольном множестве, доба-
вив в случае необходимости дополнительные нейроны и промежу-
точные слои.
   3. Проверить, не переобучена ли сеть. Если имеет место эффект
переобучения, то произвести реконфигурацию сети.
   Для того чтобы проектируемая сеть успешно решала задачу, не-
обходимо обеспечить представительность обучающего, контрольно-
го и тестового множества. По крайней мере, лучше всего постараться
сделать так, чтобы наблюдения различных типов были представлены
равномерно. Хорошо спроектированная сеть должна обладать свой-
ством обобщения, когда она, будучи обученной на некотором мно-
жестве данных, приобретает способность выдавать правильные ре-
зультаты для достаточно широкого класса данных, в том числе и не
представленных при обучении.
   Другой подход к процедуре обучения сети можно сформулиро-
вать, если рассматривать её как процесс, обратный моделированию.
В этом случае требуется подобрать такие значения весов и смеще-
ний, которые обеспечивали бы нужное соответствие между входами
и желаемыми значениями на выходе. Такая процедура обучения но-
сит название процедуры адаптации и достаточно широко применяет-
ся для настройки параметров нейронных сетей.
   По умолчанию для сетей с прямой передачей сигналов в качестве
критерия обучения используется функционал, представляющий со-
бой сумму квадратов ошибок между выходами сети и их целевыми
значениями:



                               54