Анализ чувствительности

из "Анализ финансовых данных "

При отображении одного-единственного объекта на одной карте нейроны принимают вид многоугольников. Соответствующие нейроны могут быть выделены на СОК более ярким цветом. В области компонент, подвергшихся существенному масштабированию, располагается большое число нейронов, в то время как в области слабо масштабированных — один или несколько (рис. 8.3 табл. 8.1). [c.177]
При вычислении ошибки квантования вывод значений ограничен только теми элементами изображения, для которых ошибка квантования меньше, чем некоторая пропорция ошибки квантования для множества обучающих примеров. Сильно масштабированные компоненты допускают лишь незначительное изменение значений, а для слабо масштабированных компонент диапазон допустимых отклонений весьма широк. В визуальном представлении присутствуют только те области, в которых содержится достаточное количество похожих наблюдении. [c.177]
Особенно интересные нейроны создают на экране неоднородности. Во многих случаях при сравнении этих нейронов с соответствующими им примерами могут быть выявлены некоторые более важные компоненты. В реальной ситуации ни один параметр не имеет точного глобального значения. Значение возникает в каждой конкретной ситуации при комбинации значении компонент, уникальной для того или иного участника рынка. Результаты могут быть обобщены путем группировки аналогичных наблюдений. [c.177]
Чтобы понять различие между соседними наблюдениями, вспомним, что алгоритм СОК создает нейроны там где наблюдения, располагающиеся близко друг к ДРУГУ являются существенными. Распределение значений того или иного параметра зависит от константы масштабирования. В случае слабо масштабированных компонент усредненные значения их признаков располагаются ближе друг к другу, а граничная область бывает весьма обширной. [c.177]

Вернуться к основной статье