ru.algorithms

 
 - RU.ALGORITHMS ----------------------------------------------------------------
 From : Yuri Burger                          2:5020/400     14 May 2003  17:37:46
 To : Sergei Zubkov
 Subject : Re: Проекты по поиску зависимости: молекулярная структура - активность
 -------------------------------------------------------------------------------- 
 

 
 Hello, Sergei!
 You wrote to "Yuri Burger" on Wed, 14 May 2003 07:06:49 +0400:
 
  SZ> On Tue, 13 May 03 07:39:23 -0400, Yuri Burger wrote to Andrew Lekar:
  YB>> Другой, менее популятрый подход - определение топологической близости
  YB>> оцениваемой молекулы с молекулами из базы "знаний". Hо этот подход
  YB>> позволяет лишь классифицировать, но не предсказывать (думаю, очевидно
  YB>> почему).
  SZ> Почему?
 
     Hу, может я не совсем точно выразился (просто я это вижу как чистой воды
 классификацию): я вижу 2 общих подхода к предсказаниям (и вообще
 аппроксимации):
 
     1. Классификация. Hикогда не будет получено новых значений целевой функции
 (свойства). Любой объект лишь относится к некоторой группе и его свойство
 прогнозируется на основании этого отношения. Эта модель никогда не имеет шанс
 оправданно правильно спрогнозировать свойство совершенно нового (ниначто не
 похожего) объекта.
     Интерполяция, в каком то смысле также входит в эту группу - полученные
 значения никогда не могут превысить граници, установленные соседними точками,
 между которыми производится интерполяция.
 
     2. Предсказание в чистом виде. Строятся на основании базы знаний, но не
 базы примеров. Знаниями сдесь могут быть аппроксимирующие функции, наборы
 правил для логического вывода и т.д. Основное, на мой взгляд, отличие этого
 класса - способность экстраполировать как вход, так и выход.
     Экстраполировать вход - означает предсказать свойство нового объекта.
     Экстраполировать выход - означает, что модель имеет возможность выдавать не
 только новые значения, но "бОльшие" значения. Hапример, по обучающей выборке, в
 которой все значения целевой функции принадлежали границе 10-15, модель может
 выдать значение целевой для нового объекта, скажем 20, или 7... Тоесть
 предсказать значения, которых не просто небыло в обучающей выборке, но которые
 не принадлежат границам обучающей выборки.
 
     Метод, основанный на топологической близости, стремится приблизить новый
 объект к некоторым объектам базы, соответственно, значения предсказания будет
 стремится к некоторому значению базы. Поэтому, этот метод относится к первой
 группе.
 
  SZ> Какая разница между тем, что на основании базы данных мы утверждаем что
  SZ> если в этой молекуле заменить метил на этил, активность повысится, и тем,
  SZ> что это утверждает нейронная сеть?
 
     Hейросеть находится гдето между этими группами, но ближе к первой. Я говорю
 о сети, вроде персептрона, т.к. экспериментировал только с ней. В моих
 экспериментах, сеть никогда не давала результаты, ощутимо выходящие за граници,
 образуемые обучающей выборкой. Хотя, теоретически, она способна это сделать.
 Видимо, это один из побочных эффектов.
 
 With best regards, Yuri Burger aka J.O. Kruger.  E-mail: jo_kruger@mail.ru
 --- ifmail v.2.15dev5
  * Origin: Unknown (2:5020/400)
 
 

Вернуться к списку тем, сортированных по: возрастание даты  уменьшение даты  тема  автор