Нейронную

разделительной линии между областями данных божьих коровок 
и гусениц.
Это действительно отличный результат!
Всего лишь с двумя простыми тренировочными примерами и от­
носительно простым методом обновления мы, используя сглажива­
ние скорости обучения, смогли очень быстро получить хорошую раз­
делительную линию у=Ах, где А=1,6042.
Тренировка простого классификатора 
43

---

Не будем преуменьшать свои достижения. Нам удалось создать 
автоматизированный метод обучения классификации на примерах, 
который, несмотря на простоту подхода, продемонстрировал замеча­
тельную эффективность.
Великолепно!
Резюме
• Чтобы понять соотношение между выходной ошибкой линейного классифика­
тора и параметром регулируемого наклона, достаточно владеть элементарной 
математикой. Зная это соотношение, можно определить величину изменения 
наклона, необходимую для устранения выходной ошибки.
• Недостаток прямолинейного подхода к регулировке параметров заключается 
в том, что модель обновляется до наилучшего соответствия только последнему 
тренировочному примеру, тогда как все предыдущие примеры не принимаются 
во внимание. Одним из неплохих способов устранения этого недостатка являет­
ся уменьшение величины обновлений с помощью коэффициента скорости обу­
чения, чтобы ни один отдельно взятый тренировочный пример не доминировал 
в процессе обучения.
• Тренировочные примеры, взятые из реальной практики, могут быть искажены 
шумом или содержать ошибки. Сглаживание обновлений способствует ограни­
чению влияния подобных ложных примеров.
Иногда одного классификатора недостаточно
Как вы имели возможность убедиться, рассмотренные нами прос­
тые предикторы и классификаторы, относящиеся к числу тех, кото­
рые получают некоторые входные данные, выполняют соответствую­
щие вычисления и выдают ответ, довольно эффективны. И все же их 
возможностей недостаточно для решения более интересных задач, 
к которым мы намереваемся применять методы нейронных сетей.
Ограничения линейного классификатора продемонстрированы ниже 
на простом, но весьма показательном примере. Но почему мы должны 
заниматься этим вместо того, чтобы сразу же перейти к обсуждению ней­
ронных сетей? Дело в том, что от понимания сути указанных ограниче­
ний зависит один из ключевых элементов проектирования нейронных 
сетей, так что этот вопрос стоит того, чтобы его обсудить.