Нейронную

epochs = 
2
for е in range(epochs):
# перебрать все записи в тренировочном наборе данных 
for record in training_data_list:
# получить список значений из записи, используя символы
# запятой (', 1) в качестве разделителей 
all_values = record.split(1,1)
# масштабировать и сместить входные значения
inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
# создать целевые выходные значения (все равны 0,01, за
# исключением желаемого маркерного значения, равного 0,99) 
targets = numpy.zeros(output_nodes) + 0.01
# all_values[0] - целевое маркерное значение для
# данной записи
targets[int(all_values[0])] = 0 . 9 9
n.train(inputs, targets)
pass
pass
202 
Глава 2. Создаем нейронную сеть на Python

---

Результирующий показатель эффективности для двух эпох со­
ставляет 0,9579, что несколько лучше показателя для одной эпохи.
Подобно тому, как мы настраивали коэффициент обучения, про­
ведем эксперимент с использованием различного количества эпох 
и построим график зависимости показателя эффективности от этого 
фактора. Интуиция подсказывает нам, что чем больше тренировок, 
тем выше эффективность. Но можно предположить, что слишком 
большое количество тренировок чревато ухудшением эффективности 
из-за так называемого переобучения сети на тренировочных данных, 
снижающего эффективность при работе с незнакомыми данными. 
Фактора переобучения следует опасаться в любых видах машинного 
обучения, а не только в нейронных сетях.
В данном случае мы имеем следующие результаты.
Теперь пиковое значение эффективности составляет 0,9628, или 
96,28% , при семи эпохах.
Как видите, результаты оказались не столь предсказуемыми, 
как ожидалось. Оптимальное количество эпох — 5 или 7. При боль­
ших значениях эффективность падает, что может быть следствием