Wnioski do implementacji perceptronu

Wykonałem po dziesięć testów dla różnych parametrów uczenia dla 300 punktów w 2D i 3D wybieranych losowo spośród 500 punktów z pliku oraz przetestowałem pozostałe 200 punktów pod kątem zgodności funkcji aktywującej perceptron z oczekiwanym wynikiem. Poniżej przedstawiam rezultaty wraz z wnioskami.

• Punkty w 2D

Wnioski:

• Najdokładniejszy wynik dla parametru a został osiągnięty przy parametrze uczenia równym 0.1. Najmniej dokładny wynik pojawił się przy przyjęciu za parametr uczenia wartości 0.9.

• Również dla uzyskania najdokładniejszego parametru b wykorzystany został parametr uczenia 0.1. Najmniej dokładny wynik przy parametrze uczenia równym 0.5.

• Najmniej epok potrzebnych do uzyskania końcowego wyniku - parametr uczenia równy 0.3

Najwięcej epok - 0.1

• Najmniej błędów przy punktach testowych dostarczył program przy wykorzystaniu parametru uczenia równym 0.9 a najwięcej 0.5

• Punkty w 3D

Wnioski:

• Najdokładniejszy wynik dla parametru a został osiągnięty przy parametrze uczenia równym 0.7. Najmniej dokładny wynik pojawił się przy przyjęciu za parametr uczenia wartości 0.3.

• Do uzyskania najdokładniejszego parametru b wykorzystany został parametr uczenia 0.5. Najmniej dokładny wynik przy parametrze uczenia równym 0.1.

• Najmniej epok potrzebnych do uzyskania końcowego wyniku - parametr uczenia równy 0.3

Najwięcej epok - 0.5

• Najmniej błędów przy punktach testowych dostarczył program przy wykorzystaniu parametru uczenia równym 0.7 a najwięcej 0.3

---