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.
8.2.11. Кластеризация баз данных<br />
Реальные химические базы данных часто бывают неоднородными и содержат<br />
несколько групп соединений, различных по типу строения или по механизму<br />
действия, и в этом случае построение единой нейросетевой модели не<br />
всегда оправдано.<br />
Для подразделения базы данных на кластеры в «NASAWIN» используется<br />
анализ активностей скрытых нейронов. Для этого строятся графики зависимостей<br />
выходных сигналов для всех возможных пар скрытых нейронов, причем<br />
оба нейрона должны принадлежать одному и тому же скрытому слою нейросети.<br />
Было отмечено, что на таких графиках соединения, характеризующиеся<br />
близким строением, располагаются близко друг к другу и образуют таким образом<br />
отдельные группы. Пользователю предоставляется возможность вручную<br />
выделить интересующие его кластеры, а затем построить отдельные нейросетевые<br />
модели для каждого найденного кластера.<br />
8.2.12. Динамическая визуализация хода обучения нейросети<br />
Для удобства работы с программой «NASAWIN» предусмотрена возможность<br />
наблюдения за ходом обучения в режиме реального времени. Пользователь<br />
может выбирать интересующие его свойства и режимы визуализации, а<br />
также влиять на ход обучения нейросети путем динамического изменения параметров.<br />
В программе реализованы следующие виды графической интерпретации<br />
обучения нейросетей:<br />
- графики изменения рассчитанных величин свойств по отношению к их экспериментальным<br />
значениям (Scatter Plot);<br />
- графики изменения абсолютных среднеквадратичных ошибок свойств в ходе<br />
обучения (History Plot);<br />
- динамическое отображение нейросети, показывающее подстройку весовых<br />
коэффициентов и распределение значимостей дескрипторов (Network Plot);<br />
- отображение основной статистической информации о модели и ходе обучения<br />
нейросети (Model Info);<br />
303