На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

Трехвыборочный метод был нами впервые представлен в 1995 г. в рамках
приглашенного пленарного доклада на конференции по интеллектуальной обработке
данных (г. Оберн, штат Алабама, США) и был положительно воспринят
сообществом математиков, специализирующихся в области нейросетей.
Почти одновременно с нами и независимо от нас сходные идеи были также
опубликованы И.Тетко с соавт. [339] и впоследствии легли в основу разработанного
им позже метода ассоциативных нейронных сетей [342]. С тех пор
трехвыборочный метод превратился в обязательный атрибут нейросетевых исследований
в данной области.
Трехвыборочный метод, в сочетании с идеями ансамблевого подхода к
построению QSAR/QSPR-моделей, лег в основу как более ранней методики, изложенной
в подразделе 6.3.1 (т.н. одноуровневого комбинаторного подхода),
так и более поздней разработки – процедуры двойного скользящего контроля,
примененной в целом ряде разделов данной диссертационной работы.
4.1.4. Процедура двойного скользящего контроля
Для построения и объективной оценки прогнозирующей способности
линейно-регрессионных и нейросетевых моделей нами была предложена
процедура Nx(N-1) - кратного двойного скользящего контроля [343]. В этом
подходе исходная база данных систематически разбивается на 3 части:
обучающую, внутреннюю контрольную и внешнюю контрольную выборки в
соотношении (N-2):1:1. Информация из внутренней контрольной выборки
используется для отбора моделей с наилучшей прогнозирующей способностью.
Информация из внешней контрольной выборки никаким образом не
используется при построении и отборе моделей, и поэтому ошибка
прогнозирования на ней (как среднеквадратичная, так и средняя абсолютная)
может быть использована для оценки реальной прогнозирующей способности
моделей. При таких разбиениях каждое соединение из исходной базы данных
попадает в обучающую выборку N 2 -3N+2 раза, во внутреннюю контрольную
выборку - N-1 раз и во внешнюю контрольную выборку - также N-1 раз.
116