Нейронную

ДА = L (Е / X)
Фактор сглаживания, обозначенный здесь как L, часто называют 
коэффициентом скорости обучения. Выберем L=0,5 в качестве ра­
зумного начального приближения. Это означает, что мы собираем­
ся использовать поправку вдвое меньшей величины, чем без сгла­
живания.
Повторим все расчеты, используя начальное значение А*0,25. 
Первый тренировочный пример дает нам у = О,2 5 * 3 , 0 = 0,75. При це­
левом значении 1,1 ошибка равна 0,35. Поправка равна ДА = L (Е / х) = 
0,5 * 0,35 / 3, 0 = 0,0583. Обновленное значение А равно 0,25 + 
+ 0,0583 = 0,3083.
Проведение расчетов с этим новым значением 
А
для тренировочно­
го примера при х=3,0 дает у = 0,3083 * 3,0 = 0, 9250. Как видим, рас­
положение этой линии относительно тренировочных данных оказа­
лось неудачным — она проходит ниже значения 1,1, но этот резуль­
тат не так уж и плох, если учесть, что это была всего лишь первая 
попытка. Главное то, что мы движемся в правильном направлении 
от первоначальной линии.
42 
Глава 1. Как работают нейронные сети

---

Перейдем ко второму набору тренировочных данных при х=1,0. 
Используя А=0,3083, мы получаем у=
0 , 3 0 8 3
* 
1 , 0
= 
0 , 3 0 8 3 .
Желае­
мым значением было 2,9, поэтому ошибка составляет (2,9 - 0,3083) = 
= 2,5917. Поправка ДА = L (Е / х) = 
0 , 5 * 2 , 5 9 1 7 / 1 , 0 = 1 , 2 9 5 8 .  
Теперь обновленное значение А равно 0,3083 + 1,2958 = 1,6042.
Вновь отобразим на диаграмме начальный, улучшенный и оконча­
тельный варианты линии, чтобы убедиться в том, что сглаживание 
обновлений приводит к более удовлетворительному расположению