Обучение нейросетей-предикторов
Обучение сетей-предикторов принципиально не отличается от обучения классификаторов. Различия заключаются в способе оценки ответа сети и смысле уровня надежности.
Как уже говорилось, ответ в задачах предикции выражается любым числом (или вектором чисел).
При этом оценивать правильность ответа достаточно просто. В случае одномерной предикции оценка равна квадрату разности между известным и вычисленным ответами. Некоторые изменения претерпевает структура нейросети.В качестве исходной берется полносвязная сеть с адаптивной матрицей приема сигналов. Все нейроны сети на последнем такте функционирования считаются выходными. Над сетью достраивается адаптивный выходной сумматор, принимающий сигналы с нейронов с последнего такта функционирования и выдающий результат. Вводится также вектор сдвига, который складывается
покоординатно с сигналами, приходящими на нейроны в момент подачи входных сигналов. Вектор сдвига подается на нейроны на каждом такте, а не только в момент подачи входных сигналов, и для удобства содержится в матрице связей нейронов.
Таким образом, при решении задач предикции смысл уровня надежности кардинально меняется. Теперь его снижение приведет к тому, что от сети будет требоваться большая точность при выдаче ответа на пример. Поэтому уровень надежности в предикторах уместнее называть уровнем отклонения. Естественно, с него снимаются ограничения по величине, т.к. точность решения задачи (величина уровня отклонения) зависит от размерности параметра, являющегося ответом, и может изменяться в широких пределах.
В векторных предикторах, где ответ представлен набором чисел, оценка вычисляется как сумма квадратов отклонений по каждой составляющей вектора ответа. Такой же смысл имеет и параметр, задаваемый как уровень отклонения.
8.7.7.