فزايش پيچيدگي شبكه با افزايش تعداد نمونه هاي آموزش‌

در شبكه هاي عصبي پرسپترون چند لايه يكي از پارامترهاي طبقه بند، سايز يا تعداد گره‌هاي هر لايه از شبكه مي‌باشد. اكثر مسايل طبقه بندي با استفاده از يك شبكه عصبي پرسپترون سه لايه (تك لايه مخفي) قابل حل هستند. اما سايز لايه مخفي شبكه كه عملكرد بهينه را تضمين مي كند به تعداد نمونه هايي كه براي آموزش اختصاص مي يابند بستگي شديد دارد. به عبارت ديگر باافزايش تعداد نمونه هاي آموزش براي هر كلاس، شبكه نياز به تعداد بيشتري از گره هاي مخفي جهت تقريب زدن صحيح فضاي ويژگي، پيدا مي كند. اين بدان علت است كه با افزايش تعداد نمونه هاي آموزش، فضاي ويژگي دقيق تر شده و پيچيدگي هاي ذاتي آن دقيق تر نمود پيدا مي كند.

افزايش تعدادگره هاي لايه مياني بر اثر افزايش نمونه هاي آموزش، به معني افزايش حجم شبكه و تحميل بار محاسباتي بيشتري بر سيستم مي‌باشد. علاوه بر اين زمان آموزش نيز به شكل فزاينده اي افزايش مي يابد.

در سيستم هاي به هنگام، از اين جهت كه مرتباً نمونه هاي جديد، ديده شده و يادگيري افزايشي هم وجود دارد، به علت محدود بودن حافظه سيستم، افزايش حجم و توسعه پيكربندي شبكه نبايد روند افزايشي شديدي داشته باشد.

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.