Нейронную

32 
Глава 1. Как работают нейронные сети

---

Ответ на этот вопрос также имеет самое непосредственное отноше­
ние к способности нейронной сети обучаться, к рассмотрению чего 
мы и переходим.
Тренировка простого классификатора
Сейчас мы займемся тренировкой (обучением) нашего линейного 
классификатора и научим его правильно классифицировать жуков, 
относя их к гусеницам или божьим коровкам. Как вы видели ранее, 
речь идет об уточнении наклона разграничительной линии, отделяю­
щей на графике одну группу точек данных, соответствующих парам 
значений длины и ширины, от другой.
Как мы это сделаем?
Вместо того чтобы заранее разработать подходящую научную тео­
рию, мы нащупаем правильный путь методом проб и ошибок. Это по­
зволит нам лучше понять математику, скрытую за этими действиями.
Нам нужны примеры для тренировки классификатора. Чтобы не 
усложнять себе жизнь, мы ограничимся двумя простыми примера­
ми, приведенными ниже.
Пример
Ширина
Длина
Ж ук
1
3,0
1,0
Божья коровка
2
1,0
3,0
Гусеница
У нас есть пример жука, имеющего ширину 3,0 и длину 1,0, кото­
рый, как нам известно, является божьей коровкой. Второй пример 
относится к жуку, имеющему большую длину — 3,0 и меньшую ши­
рину — 1,0, которым является гусеница.
Мы знаем, что данные в этом наборе примеров являются истин­
ными. Именно с их помощью будет уточняться значение константы 
в функции классификатора. Примеры с истинными значениями, ко­
торые используются для обучения предиктора или классификатора, 
называют тренировочными данными.
Отобразим эти два примера тренировочных данных на диаграмме. 
Визуализация данных часто помогает лучше понять их природу, по­
чувствовать их, чего нелегко добиться, просто вглядываясь в список 
или таблицу, заполненную числами.