Качество построения АНС позволяет оценить также анализ чувствительности одних компонент к изменению других. С этой целью вычисляется вектор значений некоторого одного избранного параметра. Два других параметра выбираются для построения двух осей, подходящего по размеру окна, а также ряда строк и столбцов.
Значение избранного параметра высвечивается на выходной плоскости как цвет элемента изображения или как численное значение. При отображении одногоединственного объекта на плоскости нейроны принимают вид многоугольников. Соответствующие нейроны могут быть выделены на плоскости выходных параметров АНС более ярким цветом. В области компонент, подвергшихся существенному масштабированию, будет располагаться большое число нейронов, в то время как в области слабо масштабированных . один или несколько.
При вычислении ошибки квантования вывод значений ограничен только теми элементами изображения, для которых ошибка квантования меньше, чем некоторая пропорцияошибки квантования для множества обучающих примеров. Сильно масштабированные компоненты допускают лишь незначительное изменение значений, а для слабо масштабированных компонент диапазон допустимых отклонений весьма широк. В визуальном представлении на плоскости выходных изображений присутствуют только те области, в которых содержится достаточное количество похожих наблюдений. Особенно интересные нейроны создают на экране неоднородности. Во многих случаях при сравнении этих нейронов с соответствующими им примерами могут быть выявлены некоторые более важные компоненты. В реальной ситуации ни один параметр не имеет точного глобального значения. Значение возникает в каждой конкретной ситуации при комбинации значений компонент, уникальной для того или иного участника рынка. Результаты могут быть обобщены путем группировки аналогичных наблюдений.
Чтобы понять различие между соседними наблюдениями, следует учесть, что алгоритм АНС создает нейроны там, где наблюдения, располагающиеся близко друг к другу, являются существенными. Распределение значений того или иного параметра зависит от константы масштабирования. В случае слабо масштабированных компонент усредненные значения их признаков располагаются ближе друг к другу, а граничная область бывает весьма обширной. Граничный эффект и роль масштабирования можно ясно увидеть, расположив наблюдения по линейной шкале оттенков серого цвета. Полученный результат должен быть средним по оттенку. При сильном масштабировании соответствующего параметра можно наблюдать сразу весь спектр значений . от черного до белого, однако АНС при этом может быть очень запутанной. При более слабом масштабировании границы расширяются, и значения оказываются более или менее серыми при меньшем числе нейронов. При среднем масштабировании средне-серую окраску приобретают только один или два нейрона. Влияние основных компонент не может быть полностью элиминировано, причем меньшие по значению компоненты будут усредняться сильнее.
Одновременное использование группы плоскостей выходных изображений с различными константами масштабирования является одной из возможностей сгладить представление функции, подлежащей визуализации. Число нейронов, используемых в данном окне значений компонент, и точки, в которых нейроны меняются, различны.
Усредненное значение по группе плоскостей дает более сглаженный вид каждого отдельного параметра, поэтому в каждом конкретном случае могут быть использованы наиболее подходящие плоскости выходных изображений.
Другим способом сглаживания квантованных значений, сгенерированных АНС, является использование группы объектов, организованных в виде портфеля. Наиболее подходящий нейрон содержит значения компонент каждого объекта, которые затем суммируются и делятся на число объектов в портфеле. Слегка различающимся между собой объектам соответствуют значения нейронов, расположенных по соседству или в других подобластях, а для нетипичных объектов вычисляются, возможно, наилучшие значения.
