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.
Использованная в работе выборка включала данные для 160 наиболее<br />
распространенных заместителей. Для контроля прогнозирующей способности<br />
построенных моделей она была разбита на 2 выборки: обучающую и контрольную.<br />
Статистические параметры построенных нейросетевых моделей представлены<br />
в Табл. 27.<br />
Табл. 27. Статистические характеристики нейросетевых моделей для<br />
прогнозирования констант заместителей<br />
Прогнозируемая<br />
константа<br />
замести-теля<br />
Коэффици-ент<br />
корреляции<br />
Среднеквадратичная<br />
ошибка<br />
на обучающей<br />
выборке<br />
Средне-квадратичная<br />
ошибка<br />
на контрольной<br />
выборке<br />
Размер<br />
обучаю<br />
щей<br />
выборки<br />
Размер<br />
контрольной<br />
выбор-ки<br />
σ m 0.9686 0.0594 0.1279 144 16<br />
σ p 0.9589 0.1014 0.1592 144 16<br />
F 0.9403 0.0717 0.1391 143 16<br />
R 0.85 0.1254 0.1452 144 16<br />
E s 0.9794 0.6555 0.3935 42 4<br />
Полученные низкие среднеквадратичные ошибки прогнозирования на<br />
контрольных выборках (0.13 для σ m , 0.16 для σ p , 0.14 для F, 0.15 для R, 0.39 для<br />
E s ) свидетельствуют о работоспособности данного подхода к прогнозированию<br />
констант заместителей.<br />
7.2. Корреляции структура-условия-свойство<br />
7.2.1. Концепция построения нейросетевых зависимостей структура – условия –<br />
свойство<br />
В настоящее время, когда накоплен значительный объем экспериментальных<br />
данных практически во всех областях химии, особенно остро встает<br />
вопрос о возможности обобщения и математической обработки больших мас-<br />
246