Analys av myokardiella hastighetsvariabler för diagnos av ...

22 KAPITEL 2. BAKGRUND
2.4.3 Generalisering
Vid användning av artificiella neurala nätverk uppst˚ar ofta problem gällande
överinlärning och generalisering. Det betyder att systemet har lärt säg träningsmängden
för bra och inte kan tolka testmängden bra. Det inträffar när neuronnätet
inte är perfekt anpassat i storlek för att representera träningsmängden.
Det ställer ocks˚a krav p˚a att träningsmängden ska vara n˚agorlunda utspridd och
välavvägd. När neuronnätet är för stort har det kapacitet att lära sig specifika
mönster i träningsmängden s˚asom mätfel, outliers och brus. Sedan när
testmängden används kan ej neuronnätet p˚a bästa sätt behandla det. Det har
visats att generalisering kan uppn˚as om träningsmängden är tillräckligt stor och
täcker in större delen av den utspända rymden. Detta är i praktiken ej möjligt
att utnyttja i de flesta fall d˚a nödvändig stor träningsmängd växer exponentiellt
i förh˚allande till neuronnätets storlek och invektorns dimensionalitet. För att
motverka överinlärning finns flera metoder vara valideringen är en välanvänd.
[14]
Validering
För att motverka problemet med överinlärning kan validering användas, det är
ytterligare en datamängd som används under träningsstadiet. Det innebär ofta
i praktiken att träningsmängden P delas upp i en ny mindre träningsmängd P ′
och en valideringsmängd V s˚a att P ′ ∪ V = P och P ′ ∩ V = 0. Sedan tränas
neuronnätet som vanligt med P ′ med den skillnaden att felet beräknas separat
för b˚ade P ′ och V , vilket ger Ep′ samt Ev för varje iterering. I början minskar
förhoppningsvis b˚ada felen medans senare kommer de skiljas˚at och i de flesta fall
börjar Ev öka igen alltjämt medans Ep′ fortfarande minskar. För att d˚a beh˚alla
generaliseringen sätts stoppkriteriet med avseende p˚a valideringsmängdens fel
Ev förslagsvis när det ökar med en viss hastighet. P˚a s˚a sätt kan träningen
avslutas när generaliseringen är i fara till fördel för överträningen. [14]
2.4.4 Prestanda för ett flerlagersnät
Flerlagers fram˚atkopplade neuronnät lämpar sig väl för beskrivning av ickelinjära
samband. I [13] presenteras resultat där flerlagersnät presterar bättre än
linjär regression vid försök att diagnosticera prostatacancer.
Om ett försök ska göras för att poängtera de fördelar ett neuronnät har och
vilken kapacitet och prestanda det har görs det med hänvisning till [14] och
[15] där det beskrivs hur kapaciteten ökar med ökat antal noder. Det g˚ar att
beskriva vilken arbiträr funktion som helst, täcka in vilken delrymd som helst
ur en större rymd och mappa en mängd till en annan genom att använda ett
gömt lager med ändligt antal noder. [14, 15]
Det finns dock vissa sv˚arigheter, de extrema exempel ovan kräver en stor
och välordnad träningsmängd för att inte nätet ska mista sin generalisering och
inte kunna bearbeta senare testmängd. Det kan ocks˚a löna sig att använda fler
gömda lager för att lättare f˚a resultat, dock ökar d˚a träningstiden exponentiellt.