astudio

سلام
به پیوست مطالبی خلاصه درباره validation و روشهایش آورده شده است.
البته بنده منظورتان را از online و offline نفهمیدم شاید منظورتان از online داده جریانی باشد،نمی دانم؟(اگر معنی اش را بدانم ممنون می شوم) در هر صورت اگر شبکه شما کار دسته بندی را انجام می دهد باید وزنها در داده های آموزشی همگرا شوند ولی اگر کار خوشه بندی انجام می دهد لزومی ندارد(مثلا شبکه ART) .اگر میزان تغییرات خطای شما کم است این نشان دهنده اسن مطلب است که داده های آموزشی شما نماینده خوبی برای کل داده ها هستند اگر اختلاف خطای آموزش و تست زیاد است اینجا می گوییم overffiting رخ داده است یعنی شبکه زیادی روی داده های آموزشی fit شده است.در هر حال فکر کنم پیوست مفید باشد.

فايل ضميمه

Nilsson_ML_Book.pdf (69.3 كيلو بايت, 55 نمايش)

__________________

توحید سردارمهنی

متشکرم
بله منظور من همین بود. من اول سیمولینک رو ران کردم که مدل دینامیکی از سیستم بود. از این طریق دیتا تولید کردم . با این دسته از دیتا ها شبکه رو train کردم. خوشه بندی و انتخاب مراکز رو انجام داد. بعدش هم وزن ها رو بدست آورد . تا این جا همه چی offline بود. یعنی تو هر استپ زمانی من در همون موقع داده ها رو به شبکه تزریق نکردم و با این تزریق شبکه رو آموزش بدم. بلکه مثلا تو 100 ثانیه از مدل سیمولینک ران گرفتم و بعد این دیتا ها رو sort کردم و به صورت بردار دادم به شبکه.
برا validation هم همین طور بوده یعنی باز هم از داده های 100 ثانیه با ورودی متفاوت استفاده کردم. این بار هم offline بود. خطای خوبی داد.
اما حلقه بسته ی همین شبکه تو حالتی که online کار می کنه خطاش دو برابر یا حتی سه برابر می شه و اصلا هم خوانی جالبی نداره. به نظر شما اگه شبکه رو online آموزش بدم این نقص رفع می شه ؟