Модель выполняется со значением mode — 1 для получения набора фактов. Набор фактов загружается в N- TRAIN — набор для разработки нейронных сетей Scientific Consultant Services (516- 696- 3333), масштабируется и перетасовывается, как это необходимо при разработке нейронной сети. Затем обучается набор сетей, начиная с маленькой и кончая весьма большой; в основном это простые 3- слойные сети. Также обучаются две 4- слойные сети. Все сети тренируются до максимальной конвергентности и затем полируются для удаления мелких отклонений или сдвигов.
Процесс полировки обеспечивается снижением интенсивности обучения до очень низкой и еще примерно 50 прогонами после этого.
В табл. 11- 1 приводится информация о всех сетях, обучавшихся для этой модели, с коэффициентами корреляции и другими показателями. В таблице указаны название файла, содержащего сеть, размер — число слоев и число нейронов в каждом из слоев, число связей в сети, оптимизированных при обучении (подобно количеству коэффициентов регрессии при множественной регрессии и их связи с излишней подгонкой под исторические данные), и корреляция — множественная корреляция выхода сети с его целевым значением. Скорректированные на излишнюю подгонку под входные данные значения корреляции занимают два столбца: в левом — коррекция исходя из обучения на наборе в 40 000 точек данных, в правом — исходя из 13 000 точек. Последние строки содержат реальное количество точек данных, а также их количество, предполагаемое при расчете коррекции.
Количество точек данных, использованное при расчете коррекции коэффициентов корреляции, меньше, чем реальное их количество в наборе для обучения. Причина в повторяемости фактов, а именно в том, что факт, основанный на некоторой точке данных, с большой вероятностью будет весьма подобен факту, основанному на соседней точке. Из- за этого эффективное число точек данных в отношении статистически независимой информации будет уступать реальному. Мы использовали два разных прореживания данных, представленных в двух столбцах. Процесс коррекции корреляций подобен процессу коррекции вероятностей множественных тестов при оптимизации: при прогонке параметра через ряд значений полученные результаты для соседних значений, скорее всего, будут подобны, что снижает эффективное количество тестов по сравнению с реальным.
