Зачастую, во время работы с нейронными сетями, перед нами встает задача в построении линейных решающих функций (ЛРФ) для разделения классов, содержащих наши образы.
Рисунок 1. двумерный случай
Один из методов, позволяющих решить нашу проблему, это алгоритм наименьшей среднеквадратичной ошибки (НСКО алгоритм).
Интерес данный алгоритм представляет не только в том, что он помогает построить необходимые нам ЛРФ, а в том, что при возникновении ситуации, когда классы линейно неразделимы, мы можем построить ЛРФ, где ошибка неправильной классификации стремится к минимуму.
Рисунок 2. линейно неразделимые классы
Далее перечислим исходные данные:
— обозначение класса (i — номер класса)
— обучающая выборка
— метки( номер класса к которому относится образ 
)
— скорость обучения (произвольная величина)
Этой информации нам более чем достаточно для построения ЛРФ.
Перейдем непосредственно к самому алгоритму.
а) переводим
в систему 
, где 
равен 
, у которого в конце приписан класс образа
Например:
Пусть задан образ
.
Тогда
, если 
из 1 класса
, если из 2 класса
б) строим матрицу
размерностью Nx3 которая состоит из наших векторов 
в) строим
г) считаем
где 
произвольный вектор(по умолчанию единичный)
д)
(номер итерации)
Проверяем условие останова:
Если
то «СТОП»
иначе — переходим к шагу 3
а)
(где + это функция Хэвисайда)
Например(функция Хэвисайда):
(если 
)
(если 
или 
)
После подсчетов меняем номер итерации:
б) переходим на шаг 2
принадлежат 1 классу 
принадлежат 2 классу 
а)
б)
в)
г)
д)
, т.к. все элементы 
«СТОП»
Завершили работу алгоритма, и теперь можно подсчитать нашу ЛРФ.
Спасибо parpalak за онлайн редактор.
Спасибо за внимание.
Рисунок 1. двумерный случай
Один из методов, позволяющих решить нашу проблему, это алгоритм наименьшей среднеквадратичной ошибки (НСКО алгоритм).
Интерес данный алгоритм представляет не только в том, что он помогает построить необходимые нам ЛРФ, а в том, что при возникновении ситуации, когда классы линейно неразделимы, мы можем построить ЛРФ, где ошибка неправильной классификации стремится к минимуму.
Рисунок 2. линейно неразделимые классы
Далее перечислим исходные данные:
— обозначение класса (i — номер класса) — обучающая выборка — метки( номер класса к которому относится образ ) — скорость обучения (произвольная величина)Этой информации нам более чем достаточно для построения ЛРФ.
Перейдем непосредственно к самому алгоритму.
Алгоритм
1 шаг
а) переводим
в систему , где равен , у которого в конце приписан класс образаНапример:
Пусть задан образ
.Тогда
, если из 1 класса, если из 2 классаб) строим матрицу
размерностью Nx3 которая состоит из наших векторов в) строим
г) считаем
где произвольный вектор(по умолчанию единичный)д)
(номер итерации)2 шаг
Проверяем условие останова:
Если
то «СТОП»иначе — переходим к шагу 3
3 шаг
а)
(где + это функция Хэвисайда)Например(функция Хэвисайда):
(если ) (если или )После подсчетов меняем номер итерации:
б) переходим на шаг 2
Пример работы алгоритма НСКО
принадлежат 1 классу принадлежат 2 классу а)
б)
в)
г)
д)
, т.к. все элементы «СТОП»Завершили работу алгоритма, и теперь можно подсчитать нашу ЛРФ.
Спасибо parpalak за онлайн редактор.
Спасибо за внимание.
