На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

Как видно приведенных в таблице данных, во всех случаях, когда имеется
лишь небольшой объем экспериментальных данных, применение многозадачного
обучения приводит с существенному улучшению прогнозирующей способности
при недостатке экспериментальных данных. Эта тенденция особенно
хорошо видна на Рис. 62, на котором показан тренд зависимости увеличения
показателя Q 2 при переходе к многозадачному обучению от размера выборки.
На приведенной диаграмме четко видно, что при размере выборки меньше 90
соединений применение многозадачного обучения приводит к заметному росту
прогнозирующей способности, которое происходит за счет неявного переноса
информации, использованной для построения моделей для связанных с ними
свойств, для которых выборки содержат почти 100 и больше соединений. Для
этих же последних свойств применение многозадачного обучения не приводит
ни к какому статистически значимому эффекту.
Табл. 32. Статистические характеристики нейросетевых моделей, полученных
при однозадачном и многозадачном многозадачном обучении для констант
распределения «ткань-воздух»
Ткань / организм Число соединений
Однозадачное обучение
Многозадачное обучение
Q 2 MAE Q 2 MAE
Жир человека 42 0.20 0.46 0.57 0.32
Мозг человека 35 0.48 0.48 0.59 0.35
Печень человека 30 0.20 0.38 0.55 0.27
Почки человека 34 0.23 0.60 0.55 0.35
Мышцы человека
38 0.37 0.55 0.51 0.43
Кровь человека 138 0.66 0.48 0.68 0.42
Жир крысы 99 0.70 0.73 0.73 0.70
Мозг крысы 59 0.25 0.25 0.43 0.43
Печень крысы 100 0.72 0.72 0.67 0.67
Почки крысы 27 0.12 0.12 0.27 0.27
Мышцы крысы 97 0.72 0.72 0.67 0.67
273