boshqa tomondan, shovqin yaxshiroq echimlarga olib kelishi mumkin. Og'irliklar
o'zgarib turadi, bu esa yomon mahalliy minimaldan sakrashga imkon beradi.
(1.9)
1.2.4 Neyron tarmoqlardan foydalanishdagi qiyinchiliklar
x sinov namunasidir.
xi - qo'llab-quvvatlash vektori. To'liq
M qo'llab-quvvatlash
vektorlari mavjud .
K -
x va
xi o'rtasidagi o'xshashlikni o'lchash uchun yadro
funktsiyasi . 1.5-rasmda ko'rsatilganidek, SVM
M + 1 yashirin neyronli uch qatlamli
neyron tarmog'i bilan amalga oshirilishi mumkin.
K(xi , x) har bir yashirin neyron i da
chiqariladi .
f(x) =
b +
Ushbu modellar biologik tizimlar bilan bo'sh aloqalarga ega. Umumiy ta'lim
muammolarini hal qilish o'rniga, odamlar maxsus
tizimlarni ishlab chiqdilar
1980 va 1990-yillarda turli xil ilovalarda neyron tarmoqlardan foydalanishda odamlar
bir nechta katta muammolarga duch kelishdi. Neyron tarmoqlar odatda juda ko'p
parametrlarga ega va ularni o'rgatish qiyin edi. Neyron tarmoqlar uchun o'quv
to'plamlarida ortiqcha moslashish oson edi, ular test to'plamlarida yomon ishladilar.
Unda keng ko'lamli o'quv ma'lumotlari yo'q edi, bu esa haddan tashqari moslashish
muammosini yanada og'irlashtirdi. Hatto nisbatan katta o'quv
majmuasida ham bir
necha yuzta o'quv namunalari mavjud edi. Bundan tashqari, 1980 va 1990-yillarda
juda cheklangan hisoblash quvvati mavjud bo'lganligi sababli, kichik neyron tarmoqni
o'rgatish uchun uzoq vaqt kerak bo'ldi. Umuman olganda,
neyron tarmoqlarning
ishlashi boshqa mashinalarni o'rganish vositalariga qaraganda sezilarli darajada
yaxshi emas edi va neyral tarmoqlarni o'qitish ancha qiyin edi. Shu sababli, ko'plab
tadqiqotchilar 2000-yillarning boshlarida neyron tarmoqlardan voz kechishdi va SVM,
Boosting, qarorlar daraxti va K-Yaqin qo'shni kabi boshqa mashina o'rganish
vositalariga murojaat qilishdi.
Chuqur o'rganishning tarixiy ko'rinishi
10
K(xi , x).
Mashinani o'rganishning boshqa modellarini faqat bitta yoki
ikkita yashirin qatlamli
neyron tarmoqlari bilan yaqinlashtirish mumkin. Shuning uchun ular sayoz tuzilmalarga
ega modellar deb ataladi. SVM misoli 1.5-rasmda ko'rsatilgan. SVM ning bashorat
qilish funktsiyasi quyidagicha yozilishi mumkin
M
i=1
Toÿliq matn: http://dx.doi.org/10.1561/2000000071