neuroproject.ru

[Eugeen]

Господа! У меня к Вам вопрос.
При аппроксимации набора функций одной НС я обычно произвожу нормирование обучающего множества к диапазону -1<=Y<=+1 и для аксона использую гиперболический тангенс. Для сравнения я попробовал номировку 0<=Y<=+1 с целью уже использовать для аксона сигмоид. Получаемый результат оказывается заметно хуже по конечной точности аппроксимации хотя структура и размер НС одинаков и вся процедура обучения идентична..
Все данные обучающего множества исходно строго положительны.
Чем может объясняться такое поведение НС?
_________________
Мелочи не играют решающей роли. Они решают все.
"Жизнь среди акул", Х. Маккей.

[Victor G. Tsaregorodtsev]

А тангенс - это не сигмоид? Говорите - биполярный сигмоид (тангенс) и униполярный.
Классическая проблема (по крайней мере, для алгоритмов обучения) - нецентрированные (на входе сети, на выходе, на нейронах скрытых слоев) данные приводят к замедлению сходимости процесса обучения (и для тангенса была больше вероятность иметь средние значения сигналов ближе к нулям, чем для униполярных сигмоид). Поэтому просто во втором случае сетка может хуже обучилась (если число эпох обучения априорно ограничивалось).
Точности обучения в обоих случаях - в студию! Желательно - в виде статистики по нескольким случаям обучения сеток для одного и другого варианта нейронов (а то может быть, что плохие алгоритмы обучения или ошибки в программировании просто негативно проявились во втором случае)
_________________
www.neuropro.ru - нейросети, анализ данных, прогнозирование

[Eugeen]

[quote="Victor G. Tsaregorodtsev"]

[DmitryShm]

Я был бы непрочь получить эти наборы данных для проверки своих программ, когда время появится.
_________________
знаю, что не знаю