Влияние настраиваемых параметров полносвязной нейронной сети на качество предсказания для задачи классификации литотипов

В работе рассматривается задача классификации литотипов с помощвю полносвязной нейронной сети. Тренировочными и тестовыми данными являются цветовые и текстурные признаки, полученные в результате анализа полноразмерных изображений керна. Преимущества такого подхода заключаются в возможности как обучать модель в реальном времени, так и адаптировать ее к новому набору данных посредством дообучения. Число признаков каждого тренировочного примера равнялось 48, число классов, соответствующих определенным литотипам - 20. В работе показано, что для задачи классификации с помощью нейронных сетей наиболее значимым параметром архитектуры модели является число слоев и узлов. В работе была предложена оценка сложности алгоритма в терминах O-нотации. Показано, что число выполняемых операций растет линейно O(m) по числу слоев и кубически O(n3) по числу нейронов в слое. Однако с точки зрения качества предсказания модели увеличение числа слоев не приводит к лучшим результатам. При анализе зависимости метрики fl-score от числа узлов для различных слоев было получено, что увеличение числа нейронов приводит к выигрышу в качестве предсказания.