На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

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