Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната
Изтегляне 1.78 Mb. Pdf просмотр
|
Свързани:
Kniga uchitel IT 6. klas Даниела Убенова (1), Kniga uchitel IT 8. klas Даниела Убенова, elektronno-obuchenie
| вероятностно-коректни в смисъла на апроксимация (probably approximatly correct - PAC). 2.15. Вероятностно-коректни в смисъл на апроксимация на моделите на моделите за обучение Вероятностно-коректни в смисъла на апроксимация (probably approximatly correct) на модела за обучение (PAC) може да се представи като една вероятностна „рамка” (или среда) за процеса на обучение и обобщение в системата на двоичната класификация. Тя е тясно свързана с принципите на обучение с учител. Ще определим термините, свързани със средата . Множеството от елементите на се нарича понятия (concept), а всеки нанор на неговите подмножества – класве понятия (concept class). Пример на понятията се нарича всеки обект отъ предметната област, заедно с черта от неговия клас. Ако примера се отнася към даденото понятие той сенарича положителен пример (positive example). Ако не се отнася към даденото понятие, той се нарича отрицателен пример (negative example). Понятия, за които се превеждат примери се наричат целеви (traget concept). Последователността от данни за обучение с дължина N на понятията може да се определи по следния начин: В тази последователност може да се съдържат и повтарящи се примери. Примерите избрани от средата са случайни образи, в съответствие с някои фиксирани, но неизвестни разпределени вероятности. За отношение (2.105) заслужават внимание следните въпроси: Целевото понятие се разглежда като функция на отражение на в множеството . При това предполагаме, че функцията е неизвестна. Предполагаме, че примерите са статистически независими. Това значи, че функциите на плътност са съвместими с вероятностите на два различни примера равни на произведението на съответните функции на плътностна вероятност. 89 В контекста на терминологията, която използвахме по-рано, среда съответства на пространството на входните сигнали на невронните мрежи, а целевото понятие – на очаквания отговор на мрежите. Наборът от понятия, породени от средата се наричат пространство от понятия В. Например, пространството от понятия може да съдържа фрази от типа „буква А”, „буква Б” и т.н. В тези понятия може да бъдат закодирани различни способи при формирането на множествата от положителни и отрицателни примери. Обучението с учител използва друго множество от понятия. Обучаемата машина представлява множество от функции, които съответстват на определено състояние. Например, машината може да е предназначена за разпознаване на „буква А”, „буква Б” и т.н. Множеството от всички функции (т.е. понятия), определя обучаема машина наречена пространство от хипотези (hypothesis space) . Това пространство може да съвпада или да не съвпада с пространството от понятия В. При определени гледни точки понятията и хипотезите се явяват аналогии на функцията и апроксимиращата функция , с която оперирахме в предния раздел. Предпшолагаме, че съществува някое целево понятие , приемащо стойности 0 и 1. С това понятие трябва да обучим невронната мрежа с помощта на нейната настройка на множеството от данни Т, определено с израза (2.105). Нека е хипотеза, съответстваща на отразения вход на изхода, формиран в резулатат на проведеното обучение. Един от способите за постигане на успех в обучението се явява измерената степен на близост на хипотезите към целевата концепция Естествено, винаги съществуват грешки, обезпечаващи различните величини. Тези грешки се явяват следствие на това, че опитваме да обучим невронната мрежа на някои функции на основата на ограничена информация за тях. Вероятността за грешки в обучението се определя от израза Разпределението на вероятностите в този пример трябва да бъде такова, както при формирането на примерите. Целта на обучението РАС е минимизация на стойностите на . Предметната област достъпна за алгоритъма на обучение се определя от размера N на обучаващото множество Т. Алгоритъмът на обучение има два параметъра на обучение: Параметър на грешките (error parameter) . Този параметър дава величината на грешките, при които апроксимирането на целевото понятие на хипотезата се счита за удовлетворително. Параметърт за доверие (confidence parameter) . Този параметър задава степента на правоподобност при построяване на „хипотези” на апроксимация. Фиг.2.26. Блок диаграма илюстрираща моделът на обучение РАС |