Исследование влияния гиперпараметров на точность нейросетевого предсказания с использованием набора данных Fashion-MNIST

В настоящее время в области машинного обучения и искусственного интеллекта активно исследуются методы оптимизации и настройки гиперпараметров моделей. Одно из ключевых направлений таких исследований – анализ влияния изменения гиперпараметров, таких как количество слоев двумерной свертки (Conv2D) и их параметры (число фильтров, размер ядра), размер и шаг слоев максимальной подвыборки (MaxPooling2D), количество нейронов в полносвязных слоях, функции активации, размер пакета (batch_size) и количество эпох обучения, на точность предсказания модели. В статье приведен анализ влияния изменения количества слоев двумерной свертки, параметров слоев максимальной подвыборки (размер окна и шаг), количества нейронов в полносвязных слоях, выбора функции активации, размера пакета и числа эпох обучения на точность предсказания моделей машинного обучения на наборе данных Fashion-MNIST в архитектуре сверточной нейронной сети.

1. Клейнер, С. Г. Исследование точности решения задачи оптимизации гиперпараметров с помощью нейронной сети [Электронный ресурс] / С. Г. Клейнер. Режим доступа: https://www.xn8sbempclcwd3bmt.xnp1ai/article/24427. Дата доступа: 24.12.2025.

2. Игнатьева, С. А. Влияние выбора гиперпараметров при обучении cверточных нейронных сетей на точность повторной идентификации людей в системах видеонаблюдения [Электронный ресурс] / С. А. Игнатьева. Режим доступа: https://elib.psu.by/bitstream/123456789/34506/1/163-167.pdf. Дата доступа: 24.12.2025.

3. Fashion MNIST [Electronic resource]. Mode of access: https://github.com/zalandoresearch/fashion-mnist. Date of access: 24.12.2025.

4. Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions / L. Alzubaidi [et al.] // Journal of Big Data. 2021 Vol. 8, No 53 P. 2–74. https://doi.org/10.1186/s40537-021-00444-8.

5. Murphy, K. P. Probabilistic Machine Learning: An Introduction / К. Р. Murphy. USA: MIT Press, 2022 P. 323–358.