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 90
Можем формално да определим моделът за обучение РАС.
Сподели с приятели: