JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 1. Глубокое обучение и JavaScript
35
Данные демонстрируют определенную закономерность в блоке A на рис. 1.4. 
Как может машина определить цвет точки по заданным координатам 
x
и 
y
? Про­
сто сравнить 
x
с числом не получится, ведь диапазон 
x
­координат белых точек 
пересекается с диапазоном 
x
­координат черных! Аналогично алгоритм не может 
воспользоваться для этой цели и 
y
­координатами. Следовательно, становится ясно, 
что исходное представление плохо подходит для задачи классификации на белые 
и черные точки.
Нам нужно новое представление, на котором точки двух цветов разделялись бы 
более понятным образом. В данном случае мы преобразовали исходное декартово 
x
­
y
­представление в представление в полярной системе координат. Другими слова­
ми, мы поставили каждой точке в соответствие: 1) ее угол — угол, сформированный 
осью 
X
и прямой, соединяющей начало координат с этой точкой (см. пример в бло­
ке A на рис. 1.4); 2) ее радиус — расстояние от начала координат. После этого преоб­
разования получаем новое представление того же набора данных, как демонстрирует 
блок Б на рис. 1.4. Это представление лучше подходит для решения нашей задачи, 
поскольку диапазоны углов для черных и белых точек теперь вообще не пересекают­
ся. Впрочем, это новое представление все еще неидеальное, поскольку не позволяет 
выполнить классификацию на точки белого и черного цветов, просто сравнивая угол 
с пороговым значением (например, с нулем).
К счастью, для этого можно применить еще одно преобразование, основанное на 
простой формуле:
(абсолютное значение угла) — 135 градусов
Полученное в результате представление, как видно из блока В, является одномер­
ным. По сравнению с представлением из блока Б, в нем отброшена не относящаяся 
к делу информация о расстоянии от точек до начала координат. Но это представ­
ление идеально в том, что обеспечивает исключительно простой процесс принятия 
решения:
если значение < 0, то точка относится к белым;
в противном случае точка относится к черным
В примере мы вручную задали двухшаговое преобразование представления 
данных. Вместо этого можно попытаться автоматически найти различные возмож­
ные преобразования координат на основе обратной связи о количестве правильно 
классифицированных точек. Это и будет машинным обучением. Число шагов пре­
образования при решении настоящих задач машинного обучения обычно намного 
превышает два, особенно при глубоком обучении, где может достигать сотен. Кроме 
того, в настоящем машинном обучении преобразования представлений обычно 
выглядят намного сложнее, по сравнению с показанными в этом простом примере. 
Непрерывные исследования в области глубокого обучения открывают все новые 
и все более перспективные преобразования. Но пример на рис. 1.4 демонстрирует 
саму суть поиска лучших преобразований. Это относится ко всем алгоритмам ма­
шинного обучения, включая нейронные сети, деревья принятия решений, ядерные 
методы и т. д.

---

36