Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Zdaniemniektórychbadaczysztucznesiecineuronowemogąbyćtraktowane
jakouogólnionyprzypadekszerszejrodzinytechnikregresyjnych5.Wskazujesię
zatemnapodobieństwoSSNdoniektórychzałożeńtradycyjnychpodejśćstatystycz-
nych,takichjakanalizadyskryminacyjna,analizaczynnikowa(zwłaszczaanaliza
głównychskładowych,PCA),regresjaczyteżanalizaskupień6.Wkonsekwencji
twierdzisię,żesztucznesiecineuronowennależądogrupycałkiemstandardowych
modelistatycznychiniewymagajązastosowanianowej«epistemologii»aninowej
teoriiwnioskowania”7.
Innetradycyjnepodejście-regresjalogistyczna(logit)-którejestpopularne
zwłaszczawekonomiiiekonometrii,aleiwpolitologiiwproblemachklasyfikacyj-
nych,codozasadyzakłada,żeistniejemożliwośćokreśleniaprecyzyjnychzałożeń
odnośniedocharakterudanych.Wpraktycebadańpolitologicznychjesttojednak
sytuacjaraczejwyjątkowaniżtypowa.Niezmieniatofaktu,żemodeleregresyjne
należątutajdokanonu.Czasamiskłaniatodoniecozłośliwejkonstatacji,że:nNauki
politycznesąjedynądyscyplinąnaukową,gdzieregresjajestutożsamianazpostę-
pem”8.
Coszczególnieinteresujące,SSN,któreposiadajązazwyczajsporąliczbęparame-
trów,itakpozwalająnamodelowaniezłożonychzjawiskprzywykorzystaniumniej-
szejliczbytychżeparametrów,niżbyłobytowwypadkuinnychklasycznychtechnik,
oilemiałybyonebyćstosowanedorozwiązywaniaanalogicznychzadań9.
Wpowyższymkontekścieinteresującapowinnabyćnastępującakonstatacja.
Otóższtucznesiecineuronowewiążąsięczęstozanaliząznacznejliczbyparametrów
idanych,alejednocześnieniemusitooznaczaćkoniecznościuwzględnieniawielu
zmiennych10.WniektórychzastosowaniachSSNoznaczatoosiągnięcielepszych
5Taknp.wN.Beck,G.King,L.Zeng,ImprovingQuantitativeStudiesofInternationalConflict:AConjecture,
nAmericanPoliticalScienceReview”2000,t.94,nr1,s.21-35;G.King,L.Zeng,ImprovingForecastsofState
Failure,nWorldPolitics”2001,t.53,nr4,s.639-640.
6Zob.w:B.Cheng,D.M.Titterington,NeuralNetworks:AReviewfromaStatisticalPerspective,nStatistical
Science”1994,t.9,nr1,s.2-30;G.D.Garson,Neuralnetworks:anintroductoryguideforsocialscientists,Sage,
London1998,s.17.
7Za:N.Beck,G.King,L.Zeng,TheoryandEvidenceinInternationalConflict:AResponsetodeMarchi,
Gelpi,andGrynaviski,nAmericanPoliticalScienceReview”2004,t.98,nr2,s.380.AnalogicznieG.D.Garson,
Neuralnetworks…,s.7.
8Za:A.Wuffle,ReflectionsonAcademia,nPS:PoliticalScienceandPolitics”1986,t.19,nr1,s.60.
9Za:A.R.Barron,Universalapproximationboundsforsuperpositionsofasigmoidalfunction,nIEEETran-
sactionsonInformationTheory”1993,t.39,nr3,s.930-945;L.Zeng,PredictionandClassification…,s.501;
L.Zeng,NeuralNetworkModelsforPoliticalAnalysis,w:Politicalcomplexity:nonlinearmodelsofpolitics,
red.D.Richards,UniversityofMichiganPress,AnnArbor2000,s.240.
10Codozasadyliczbaparametrówmodeluzależyodanalizowanegoproblemu.Wwypadkukiedyjest
relatywniemałodanych,oznaczatowzględnieniewielkąliczbęparametrówmodelu.Zob.szczegółoweustale-
niaW.Duch,N.Jankowski,T
.Maszczyk,Makeitcheap:LearningwithO(nd)complexity,nThe2012International
JointConferenceonNeuralNetworks(IJCNN)”2012,nr1-4,https://doi.org/10.1109/IJCNN.2012.6252380
(dostęp:4maja2017r.).
1.1.Zaletysztucznychsiecineuronowych
19
