Блин, я, наверное, плохо объяснил.
Скажем так, на входе 3 нейрона. Назначим им 1, 2, 3 соответственно.
Один раз сеть выдала 2, потом пару раз 3, потом 1. КАК ОЦЕНИВАТЬ ЭТИ РЕЗУЛЬТАТЫ? Как подсчитывать среднеквадратическое и т.п.? Вот я тут читаю одну статейку по поводу применения NN ко вторичной структуре. Тут китайцы надрессировали свою NN выдавать 8 ответов. А потом чего пишут - я выпал в осадок -

"where ... is the predicted content of the secondary structure element ... fot k^th protein, while ... is the content actually observed".

Формулу, по понятным причинам здесь я напечатать не могу. Ну вот скажи, допустим (в статье НИ СЛОВА!!!) они обозначили 1 выход как 2, 2 - как 3, 3 - как 4 и т.п. В формуле они ВЫЧИТАЮТ одно значение из другого - т.е., скажем, становится возможным вычитание 4-5? Ведь с физической точки зрения такой ответ - бред пьяного - иначе и не назовешь. Вот я тебя и спрашиваю - как статистику гнать на ответе? Какие числовые значения назначать выходам, чтобы это выглядело разумным? Я понятно спросил?

Т.е. получается сеть при одинаковых запросах на входе генерирует разные ответы на выходе?

Ни в коем случае. Просто они создали монстра. На вход подаются разные данные и сеть должна классифицировать проблему. Просто мне совсем не ясно, как они обрабатывают результат!

Честно говоря я не могу представить (или чего то не догоняю ;)) для чего это делается. У меня есть предположение что это сеть с самообучением. А все эти махинации нацелены на обучении сети (статья во вложении).

_1020407200__paper.zip

Для каждого класса, нужно сформировать вектор, который есть правильный ответ сети при предъявлении ей объекта данного класса. Затем берем какую нибудь функцию, от выхода сети и эталонного вектора, и на каком эталонном векторе эта функция достигнет максимума, к тому классу и относим этот объект.

Допустим есть у нас три класса и три выходных нейрона.
Пусть для первого класса сеть должна выдать (1,0,0)
для первого класса, (0,1,0) - для второго и (0,0,1) для третьего. В качестве функции возьмем скалярное произведение, то есть на каком выходе будет максимальное значение к тому классу и отнесем объект.
(0.8,0.2,0.3) - объект первого класса
(0.2,0.7,0.5) - второго
(0.1,0.1,0.9) - третьего

Можно еще установить какое нибудь пороговое значение, допустим если на всех выходах значение меньше 0.4 - считаем что объект на принадлежит ни к одному классу.
Или если разница между максимальным и вторым по величине значением меньше 0.1.
(0.3,0.1,0.1) - считаем, что класс неизвестен
(0.2,0.65,0.7) - // -

Если выходы сети бинарные, то просто сравниваем на равенство, если выходной вектор не совпадает ни с одним из эталонных, то объект не классифицирован.

Black_mirror

Нафига тогда производить вычитание одного выхода из другого

Fixer

Зверская статья. Надо будет когда-нибудь вдумчиво почитать на досуге.

Black_mirror

Объяснение хорошее, спасибо. Только вот, действительно, эти ребята не делали ничего такого. Каждый вход интерпретировался как некая цифра (как это дело обстоит с точки зрения теории, мне и думать страшно), а потом, для подсчета статистики эти ребята занимались вычитанием!

***********************************
Вот смотри.
Сеть с 210 входами и 8 выходами. На первом - определение того, является ли рассматриваемый белок альфа-спиралью, втором - бета, четвертом - пи и т.д. Не суть важно. В статье НИ СЛОВА по поводу того, как ребята эта дело нумеровали. Потом они вычитают выходной показатель из эталонного (т.е. допустим, сеть выдала, что белок альфа, а на самом деле - он пи) и считают статистику. Я ничего не могу понять! Кто не дружит с головой?

Не знаю что там делают китайцы, но вычитать вектор выданный сетью из эталонного вполне разумно. Так мы получаем вектор ошибки. Если у них сеть обрабатывает данные переменной длины, и они вводятся допустим со сдвигом на одно значение, то вполне может потребоваться для вычисления ошибки, и соседние выходы друг из друга вычитать.

Black_mirror

Да понятно все с твоим вектором. Ясно. Хорошо объяснил. Вопросов нет. Другие есть :))
Если ответ сети обрабатывается НЕ КАК ВЕКТОР, как тогда?

Похоже что китайцы в самом деле вычисляют вектора ошибок, а потом их обрабатывают. Если мы возьмем и просуммируем модули или квадраты этих векторов, то получим примерное количество ошибок. Нужно только на константу подходящую разделить.

На самом деле трудно строить предположение на пустом месте. Хотелось бы узнать тип нейросети который они используют.

Ответ сети в любом случае можно рассматривать как вектор.

На, даже формулу нашел. ГДЕ ТАМ ВЕКТОРА?

879431641__neqn014.gif

The first criterion is the average absolute error, ..., of each secondary structure element, calculated for each sample (protein):

формула выше

where k is the predicted content of the secondary structure element for the kth protein, while d[stack k ] is the content actually observed.

Fixer

Back propagation.