Один из самых трудных вопросов, который приходится решать

разработчику нейросетевых приложений, - это вопрос о том, какие

данные взять в качестве входных для нейронной сети. Этот вопрос

сложен в силу сразу нескольких причин.

- Чаще всего при применении нейронных сетей в реальных зада-

чах заранее не бывает точно известно, как прогнозируемый показа-

тель связан с имеющимися данными. Поэтому собирают больше

разнообразных данных, среди которых предположительно есть и

важные, и такие, чья ценность неизвестна или сомнительна.

- В задачах нелинейной природы среди параметров могут быть

взаимозависимые и избыточные. Например, может случиться так,

что каждый из двух параметров сам по себе ничего не значит, но оба

они вместе несут чрезвычайно полезную информацию. Это же мо-

жет относиться к совокупности из нескольких параметров. Сказан-

ное означает, что попытки ранжировать параметры по степени важ-

ности могут быть неправильными в принципе.

- Из-за «проклятия размерности» иногда лучше просто убрать

некоторые переменные, в том числе и несущие значимую информа-

цию, чтобы хоть как-то уменьшить число входных переменных, а

значит и сложность задачи, и размеры сети. Вопреки здравому

смыслу, такой прием иногда действительно улучшает способность

сети к обобщению (Bishop, 1995) [10].

Единственный способ получить полную гарантию того, что

входные данные выбраны наилучшим образом, состоит в том, чтобы

перепробовать все возможные варианты входных наборов данных и

архитектур сетей и выбрать из них наилучший. На практике это сде-

лать невозможно из-за огромного количества вариантов.

Можно попытаться поэкспериментировать в среде пакета ST

Neural Networks - последовательно строить сети с различными набо-

рами входных переменных, чтобы постепенно составить себе карти-

ну того, какие же входные переменные действительно нужны. Мож-

но воспользоваться методом регуляризации весов по Вигенду (Weigend

Weight Regiilariation) и в окне Редактор сети - Network Editor

посмотреть, у каких входных переменных выходящие веса сделаны

нулевыми (это говорит о том, что данная переменная игнорируется).

Самое действенное средство решения данного вопроса в пакете

ST Neural Networks -- это Генетический алгоритм отбора входных

данных - Genetic, Algorithm Input Selection. Этот алгоритм выполняет

большое число экспериментов с различными комбинациями вход-

ных данных, строит для каждой из них вероятностную либо обоб-

щенно-регрессионную сеть, оценивает ее результаты и использует

их в дальнейшем поиске наилучшего варианта.

Генетические алгоритмы являются очень эффективным инстру-

ментом поиска в комбинаторных задачах как раз такого типа (где требуется принимать ряд взаимосвязанных решений «да/нет»).

---

---