Машинное обучение, нейронные сети

Влияние кластерной структуры данных на прогностические свойства нейросетевой модели

А. А. Халафян, З. А. Темердашев, А. Г. Абакумов

Кубанский государственный университет, Краснодар, Россия

Аннотация: Теоретические работы в области устойчивости и сходимости нейронных сетей – теорема Колмогорова–Арнольда, VC-теория обучения, теорема об универсальной аппроксимации, комбинаторная теория надежности по прецедентам и другие позволили получить теоретические оценки необходимых объемов обучающих выборок для построения надежных моделей с высокими обобщающими свойствами. Однако оценки оказались завышенными для практического применения. Тем не менее, результаты работ послужили основанием для стремления разработчиков к увеличению объемов обучающих данных, длительности обучения, емкости модели с целью повышения обобщающих свойств. На практическом примере показано влияние структурных особенностей данных на прогностические свойства нейронных сетей при решении задачи классификации.

Ключевые слова: классификация, кластерная структура, нейронная сеть, переобученность, производительность, диаграмма рассеяния, канонические значения.

DOI: 10.14357/20718594250202

Реферативные базы данных:

•