Нейронную

Задачи классификации и прогнозирования очень близки 
29

---

Если бы на показанном выше графике прямая линия отделяла 
гусениц от божьих коровок, то мы могли бы воспользоваться ею 
для классификации неизвестных жуков, исходя из результатов из­
мерений. Однако имеющаяся линия не справляется с этой задачей, 
поскольку половина гусениц находится по ту же сторону линии, что 
и божьи коровки.
Давайте проведем другую линию, изменив наклон, и посмотрим, 
что при этом произойдет.
На этот раз линия оказалась еще менее полезной, поскольку во­
обще не отделяет один вид жуков от другого.
Сделаем еще один заход.
30 
Глава 1. Как работают нейронные сети

---

Вот это другое дело! Линия отчетливо отделяет гусениц от божьих 
коровок. Теперь мы можем использовать ее в качестве классифика­
тора жуков.
Мы предполагаем, что не существует никаких других видов жу­
ков, кроме тех, которые показаны на диаграмме, но на данном этапе 
это не является недостатком подхода — мы просто пытаемся проил­
люстрировать суть идеи простого классификатора.
А теперь представьте, что в следующий раз наш компьютер ис­
пользует робота для того, чтобы тот отобрал очередного жука и вы­
полнил необходимые замеры. Тогда полученную линию можно будет 
использовать для корректного отнесения жука к семейству гусениц 
или семейству божьих коровок.
Задачи классификации и прогнозирования очень близки 
31

---

Взглянув на следующий график, вы увидите, что неизвестный 
жук относится к семейству гусениц, поскольку попадает в область 
над линией. Несмотря на свою простоту эта классификация уже яв­
ляется довольно мощным инструментом!
Только что вы имели возможность убедиться в том, насколько по­
лезными могут быть предикторы с линейной функцией в качестве 
инструмента классификации вновь поступающих данных.
Однако мы обошли вниманием один существенный момент. Как 
нам узнать, какой наклон прямой является подходящим? Как улуч­
шить линию, если она не разделяет должным образом две разновид­
ности жуков?