На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

свое преимущество в прогнозировании многочисленных свойств органических
соединений.
3) В ней впервые было успешно применено многозадачное обучение, позволяющее
одновременно осуществлять прогноз нескольких свойств в рамках
одной модели. Следует заметить, что вообще в теории машинного обучения
первые работы по многозадачному обучению, предвосхитившие появление ныне
популярного целого направления в вычислительной математике, были опубликованы
в том же 1993 г., т.е. не раньше данной работы. В настоящее время
многозадачное обучение является одним из перспективных направления развития
работ по прогнозированию свойств органических соединений (см. подраздел
7.4.2).
6.2. Прогнозирование физико-химических свойств органических соединений с
использованием фрагментных дескрипторов и нейросетевых моделей
В разделе 5.2 мы привели ряд примеров прогнозирования физикохимических
свойств органических соединений с использованием фрагментных
дескрипторов и стандартного аппарата пошаговой множественной линейной
регрессии. В задачу следующего этапа рассмотренных там исследований входило
установление того, приводит ли замена линейно-регрессионного анализа
на нейросетевой при том же наборе дескрипторов и разбивке базы данных к повышению
прогнозирующей способности полученных моделей. Для построения
нейросетевой модели была использована трехслойная однонаправленная нейронная
сеть, реализованная в рамках программы NASAWIN (см. раздел 8.2).
Число нейронов входного слоя соответствовало числу дескрипторов, о внутренний
слой было помещено 2 нейрона, а выходной слой состоял из одного
нейрона, соответствующего прогнозируемому свойству. В качестве алгоритма
обучения было взято обобщенное “дельта-правило” (см. пункт 1.2.4.4), параметр
скорости обучения 0.25, значение параметра “момента” обучения 0.9.
Процесс обучения был остановлен по достижению наименьшей ошибки прогноза
на контрольной выборке. Трехвыборочный подход не был применен, по-
203