Часто выбор используемых меток очевиден: каждому вектору входных данных можно соотнести полное или краткое название класса исходных данных (например, названия компаний), которым он соответствует. При использовании АНС для мониторинга процесса метки целесообразно расставить лишь на немногих входных векторах, соответствующих проблемным ситуациям или оптимальным состояниям.
Иногда может возникнуть необходимость использования множественных меток для обозначения регионов, отраслей и т.д. Каждый нейрон может иметь метки, состоящие из одной или нескольких строк. Метки можно наносить на нейроны, выбирая их из исходного файла данных (т.е. его последнего столбца), либо по отдельности, выбирая нужную область на плоскости выходных параметров и вводя название вручную. Метки сохраняются вместе с плоскостью и могут быть отредактированы.
Многие программные пакеты позволяют определять и наносить на плоскость выходных параметров метки автоматически. Гибкость автоматического выбора меток для узлов и кластеров по векторам входных данных имеет очень большое значение. Возможность автоматического нанесения меток особенно важна при использовании АНС применительно в финансах и экономике.
В то время как нанесение на плоскость выходных параметров соответствующих меток может внести ясность в разбиение данных по группам и кластерам, полученным с помощью АНС, обнаруживать нелинейные связи и зависимости между различными показателями удобнее всего с помощью окон отдельных компонент, которые также генерируются программными пакетами. Расположив эти окна рядом с основной плоскостью выходных параметров, можно непосредственно исследовать зависимости между компонентами. Сравнивая значения компонент в выбранных областях, исследователь может выявить нелинейные зависимости и, таким образом, визуально определить смысл кластеризации. Некоторые программные пакеты дают возможность просмотра численных значений входных параметров на плоскости выходных изображений.
Для того чтобы связать отдельную компоненту с набором других параметров, в процессе обучения АНС выбранной компоненте следует приписать приоритет, равный нулю. Например, можно «отключить» приоритет показателя чистой прибыли, определив его равным нулю.
Это означает, что данный показатель не будет приниматься в расчет в процессе формирования плоскости выходных параметров, будучи, таким образом, связанной величиной. Компонентное окно, соответствующее показателю чистой прибыли, в дальнейшем следует сравнить с другими окнами, чтобы выявить, например, величины, определяющие высокий уровень чистой прибыли. Если для связанного параметра чистой прибыли имеются четко выделенные области высоких и низких значений, это означает, что данный параметр может быть определен по остальным величинам с достаточно высокой достоверностью. Если высокие и низкие значения распределятся по компонентной плоскости хаотично, можно сделать вывод об отсутствии связи между чистой прибылью и другими переменными. Этот прием позволяет очень точно выявить минимальный набор параметров, характеризующий с высокой информативностью финансово-экономическое положение предприятий.
Если связать какую-либо величину с наборами входных данных, представляющими собой временные ряды, можно получить прогноз ее изменения. Таким образом, метод АНС может быть использован еще и для предсказания значений отдельных параметров в будущем.
Интересной особенность ИНС является тот факт, что один и тот же объект может быть обнаружен в более или менее различных топологических областях плоскости выходных параметров в зависимости от степени значимости, приданной выбранным компонентам. Если это происходит в процессе анализа финансово-экономического состояния предприятий, то очевидным следствием является противоречие: один и тот же эмитент попадает в различные группы предприятий. В целом это свидетельствует об относительной схожести групп при данном сочетании степени значимости компонент. Сопоставимые оценки при этом могут быть выбраны многими способами, и некоторая объективная истина может быть найдена как комбинация двух субъективных истин.
Содержание раздела