В прошлой статье мы подробно разложили свойства простейшей системы обработки входных данных, которая даёт на выходе одно числовое значение. Этого вполне хватило, чтобы показать, что такие на первый взгляд чисто субъективные и абстрактные вещи, как ситуативность, адекватность, инертность и консервативность имеют математическое, а значит и физическое, реальное основание.
Но что, если взять систему посложнее?
Первое, что мы можем сделать - посчитать количество возможных комбинаций входа. Это делается просто: каждый параметр (который мы в рамках модели будем считать независимым) может принять 2 значения. Число параметров равно 4, а, значит, общее число комбинаций равно 4 перемноженным на себя двойкам или 2^4 = 16.
Каждой такой комбинации мы можем сопоставить своё оптимальное значение выхода и, анализируя адекватность, подсчитать, сколько наша нейросеть выдаёт оптимальных вариантов. Допустим, что в 12 из 16 случаев система выдаёт оптимальный ответ. В таком случае, адекватность можно оценить как 12/16=75%. Процентное представление даёт возможность наглядно представить, как хорошо нейросеть принимает решения, и сравнить её с другими подобными системами.
Разные параметры могут иметь различную степень влияния на результат. Так, например, если один из параметров принимает значение 1, то и выходное значение всегда будет 1. Очевидно, что для системы принятия решений этот параметр играет очень важную роль, его можно назвать ключевым, мажорным или доминантным фактором. Если при значении этого параметра 0, нет ни одной комбинации других параметров, которые дают 1 на выходе, то все эти параметры можно не учитывать - всё равно результат определяется лишь ключевым фактором.
Теперь кажется логичным рассмотреть ту же систему, которая будет выдавать решение с несколькими выходными параметрами, исходя из одного входного. Однако нужно понимать, что входной параметр может принимать только два значения, а, значит, что генерация решения с большим числом рабочих комбинаций (тех, которые могут формироваться согласно логике нейросети) возможна лишь при некотором внутреннем рандоме этой системы, а, значит, логика там будет нарушаться. Такие системы мы рассматривать не будем, потому что они фундаментально непредсказуемы и ничего интересного из их анализа получить нельзя.
Поэтому в следующей части этой статьи мы рассмотрим сразу систему, где будет несколько и входных, и выходных параметров.
#нейросети #биология #математика #выбор #логика #адаптивность