4 Thực nghiệm và Đánh giá
4.6 Giá trị lỗi phân lớp của GNG trên tập dữ liệu D(O)
Hình 4.6 mô tả giá trị lỗi thu được từ mô hình mạng đã được huấn luyện trên tập dữ liệu D(O)với O = 0%,1%,2%. Qua quan sát, chúng ta thấy rằng giá trị lỗi của 3 trường hợp giống nhau ở các bước đầu tiên (tại bước 4500) sau đó, giá trị lỗi giảm nhanh chóng như tiến trình huấn luyện cho tất cả các trường hợp. Chất lượng
của mô hình mạng trở nên tốt hơn sau khi kết thúc huấn luyện ở môi trường thứ 4 (bước 18000). Đặc biệt, đối với trường hợp mức độ giao nhau giữa các vùng quyết địnhO= 0%thì mạng đã ổn định và chỉ có các mẫu của các lớp giao nhau xuất hiện. Do đó, việc đưa thêm mẫu mới vào không ảnh hưởng đến độ chính xác và ổn định của mạng. Trong trường hợp này ta có thể xem như việc phân lớp đã hoàn hảo. Chúng ta cũng quan sát thấy rằng, mặc dù có chung sự thay đổi giá trị lỗi nhưng chất lượng của mô hình mạng đã kém hơn khi tăng mức độ giao nhau giữa các vùng quyết định. Trường hợpO = 1%, mạng trở nên ổn định khi kết thúc huấn luyện ở môi trường thứ 6(bước 27000). Trường hợpO = 2% là trường hợp xấu nhất trong số ba trường hợp kiểm tra. Tuy nhiên, chúng ta thấy rằng sự chênh lệch giữa các hệ số lỗi của ba trường hợp thì không đáng kể khi mức độ giao nhau giữa các vùng quyết định thấp.
4.2.2.2 Đánh giá số lượng nút và cạnh của thuật toán GNG trên tập dữ liệuD(O) D(O)
Trong thực nghiệm thứ hai, chúng tôi đánh giá số lượng nút và cạnh của thuật toán GNG khi huấn luyện trên các tập dữ liệu với mức độ giao nhau giữa các vùng quyết định khác nhau.