КОНСПЕКТ ЛЕКЦИЙ КОДЭИ

Построим графики

Диаграммы рассеивания целевых и выходных значений каждой сети.

33

Построим графики

Поверхности отклика

Построим графики

Поверхности отклика

Вкладка Итоги анализа (Details)

Глобальный анализ чувствительности

Выбираем наилучшую модель с наибольшей производительностью на контрольной выборке.

Проверяем качество модели на тестовой выборке

Validation.

Сумма квадратов для наблюдений №5, 6, 7, 23, 35,37 равна 0,0029.

При использовании полученной регрессионной модели:

X1 = 0,1694 + 0,5749*X2 + 1,1190*X3 -0,2643*X6

сумма квадратов ошибок для наблюдений №5, 6, 7, 23, 35,37 равна 0,0013.

Может быть, это связано с тем, что мы производили классический регрессионный анализ, используя также и тестовую выборку

(Validation) для расчетов.

Процесс обучения нейронной сети заключается в подстройке весов ее нейронов. Целью обучения является поиск состояния весов, которое минимизирует выходную ошибку сети в обучающем и тестовом множествах. Задачи поиска оптимального состояния систем по минимуму или максимуму некоторой функции образуют отдельный класс и называются задачами оптимизации. В случае нейронной сети оптимизация ведется по функции ошибки, зависящей от состояния весов нейронов. Состояние системы, при котором обеспечивается минимум целевой функции (в данном случае — выходной ошибки сети), называется оптимальным.

Задачи оптимизации для обучения нейронных сетей достаточно сложны. Это связано со следующими причинами:

1. Нейронная сеть может содержать очень большое количество связей, поэтому пространство возможных состояний нейронной сети огромно и рассмотреть их все практически невозможно. Например, сеть, которая содержит 28 связей, при условии, что вес каждой связи является бинарным, будет иметь 228, или примерно 250 млрд комбинаций весов.