Технологии интеллектуального анализа данных : учебное пособие

259 Тестовое подмножество также включает записи (примеры), содержащие входные и желаемые выходные (целевые) значения, но используется не для обучения сети, а для проверки результатов обучения. Разбивать исходную выборку на эти подмножества можно двумя способами: либо по порядку, либо случайно. Если разбиение происходит по порядку, то тестовое множество выбирается либо из начала, либо из конца исходной выборки. Настройка структуры нейронной сети. Далее задаются пара- метры, определяющие структуру нейронной сети: количество скрытых слоев и нейронов в них, а также активационная функция нейронов. К выбору количества скрытых слоев и количества нейронов для каждого скрытого слоя нужно подходить осторожно. Хотя до сих пор не выработаны четкие критерии выбора, дать некоторые общие рекомендации все же возможно. Считается, что задачу лю- бой сложности можно решить при помощи двухслойной нейросети, поэтому конфигурация с количеством скрытых слоев, превышаю- щих 2, вряд ли оправдана. Для решения многих задач вполне подойдет однослойная нейронная сеть. При выборе количества нейронов следует руково- дствоваться следующим правилом: «количество связей между ней- ронами должно быть значительно меньше количества примеров в обучающем множестве». Количество связей рассчитывается как связь каждого нейрона со всеми нейронами соседних слоев, вклю- чая связи на входном и выходном слоях. Слишком большое коли- чество нейронов может привести к так называемому «переобуче- нию» сети, когда она выдает хорошие результаты на примерах, входящих в обучающую выборку, но практически не работает на других примерах.