Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
свое преимущество в прогнозировании многочисленных свойств органических<br />
соединений.<br />
3) В ней впервые было успешно применено многозадачное обучение, позволяющее<br />
одновременно осуществлять прогноз нескольких свойств в рамках<br />
одной модели. Следует заметить, что вообще в теории машинного обучения<br />
первые работы по многозадачному обучению, предвосхитившие появление ныне<br />
популярного целого направления в вычислительной математике, были опубликованы<br />
в том же 1993 г., т.е. не раньше данной работы. В настоящее время<br />
многозадачное обучение является одним из перспективных направления развития<br />
работ по прогнозированию свойств органических соединений (см. подраздел<br />
7.4.2).<br />
6.2. Прогнозирование физико-химических свойств органических соединений с<br />
использованием фрагментных дескрипторов и нейросетевых моделей<br />
В разделе 5.2 мы привели ряд примеров прогнозирования физикохимических<br />
свойств органических соединений с использованием фрагментных<br />
дескрипторов и стандартного аппарата пошаговой множественной линейной<br />
регрессии. В задачу следующего этапа рассмотренных там исследований входило<br />
установление того, приводит ли замена линейно-регрессионного анализа<br />
на нейросетевой при том же наборе дескрипторов и разбивке базы данных к повышению<br />
прогнозирующей способности полученных моделей. Для построения<br />
нейросетевой модели была использована трехслойная однонаправленная нейронная<br />
сеть, реализованная в рамках программы NASAWIN (см. раздел 8.2).<br />
Число нейронов входного слоя соответствовало числу дескрипторов, о внутренний<br />
слой было помещено 2 нейрона, а выходной слой состоял из одного<br />
нейрона, соответствующего прогнозируемому свойству. В качестве алгоритма<br />
обучения было взято обобщенное “дельта-правило” (см. пункт 1.2.4.4), параметр<br />
скорости обучения 0.25, значение параметра “момента” обучения 0.9.<br />
Процесс обучения был остановлен по достижению наименьшей ошибки прогноза<br />
на контрольной выборке. Трехвыборочный подход не был применен, по-<br />
203