что же?

good enough accuracy сойдёт. А ещё реальные данные зашумлены и частенько содержат неправильные метки, так что 100% точности распознавания всё равно не добиться. Ставлю лойс за раскручивание многообразий многослойными перцептронами.

@engineer пруф или зашумленность *точно* и строго моделируется и не мешает получать 100% [точность](http://en.wikipedia.org/wiki/Accuracy_and_precision)

@ulidtko ;)пук

@ulidtko >зашумленность точно и строго моделируется мечтаю о таком мире // в радиосвязи особенно, срсли

@polecat > нельзя разбить на четыре сектора ебать ты умный

@polecat добавь парочку [десятков] измерений и потом разбей на четыре сектора // тупой штоле, натягиваешь пример не на поставленную задачу

@ulidtko Гипотеза о том что все кластеры данных выбраны из какого-то многообразия, и то что чем больше у нас сэмплов тем они лучше заполняют его слишком сильная. Так как датасет всегда конечный нейросеть всегда может извернуться и отделить точечки друг от друга (хоть по одной) если слоёв достаточно. И в-третьих данные часто сами с изъяном и в них перепутаны метки некоторых элесентов. http://en.wikipedia.org/wiki/Iris_flower_data_set вот типичный датасет, тут уже есть перемешивание, и он непохож на многообразие.

@engineer короч то что датасет надо раскручивать как проволочную игрушку это следствие из ложного постулата о том что датасет непрерывный. Он очень разреженный, особенно когда измерений много.

@engineer но классы эквивалентности-то плотные! почему нет? вон тот лингвистический пример из статьи, например, — очень убедительный.

@ulidtko нарм точечки

@ulidtko Не вижу плотности

@polecat не палю

@ulidtko пруф или хитрый