В этом примере мы обучаем нейросеть на числовых данных и используем её для предсказания следующего элемента последовательности.
Результаты обучения: Нейро-квантовая сеть обучается на числовых данных, чтобы научиться предсказывать следующий элемент в последовательности. Обучение не всегда даёт точное совпадение с целевыми значениями, но важно, что нейросеть может уловить тренд или закономерность (например, предсказания для чисел 1-10, такие как 10.25, 18.47 и т.д.). Это нормальное поведение для большинства нейросетей, так как они ориентированы на общий тренд, а не на точное воспроизведение входных данных.
Тестовые данные: Когда нейро-квантовая сеть тестируется на данных, которых она не видела во время обучения (например, для чисел 11-15), она продолжает делать предсказания, следуя тренду, который она выучила. Несмотря на то, что предсказания могут немного отклоняться от ожидаемых значений (например, для 11 — 92.47, для 12 — 100.70), они все ещё следуют общей закономерности, что говорит о хорошем обобщении нейросети.
Ошибки предсказания: Ошибки в предсказаниях могут возникать по разным причинам, включая случайность в обучающих данных или сложность задачи. Однако, если предсказания следуют тренду и ошибка невелика, это считается успешным результатом обучения.
Почему это нормально: Нейросети не всегда могут точно воспроизвести исходные данные, особенно если они подвержены случайным изменениям или имеют шум. В реальных приложениях важно, чтобы модель могла делать разумные предсказания для новых данных, а не просто запоминать старые. Предсказания, которые следуют за трендом (например, увеличение на одинаковую величину), обычно говорят о хорошей способности модели к обобщению.