Первый пример визуализации обученности сети в виде видео. Сеть обучалась на десятке фоток: собачки, птички, рыбки. В наше время можно отрендерить круче. На хабре была статья про визуализацию обученности нейросетей.
Я кинул иллюстрацию работы сети под постом вк-хабра и админ не увеличил ее, подумал, что это оффтопик и меня забанил. Там был рыбак из птичек и собачек, как на видео, только круче. За нейросети пострадал.
Что касается соционики, отдельные ли дихотомии искать, или все вместе, неважно. Нужна надежно подтвержденная база типирований строго по соционическим признакам. То что похож на дядю Васю, который вылитый Тина Тернер, только лысый. Сходство не должно быть учтено, это должна найти нейросеть, чтобы не уползла в какой-нибудь левый локальный минимум.
Как происходит "уползание" при типированию по сходству.
Давным давно я построил модель типироващика, который типирует по сходству. Там проявился следующий эффект:
допустим признак выражается от 0 до 1.
0.5 - строго середина.
0 - это А
1.0 - это Б
|lll|lll|
0 . . . 1.0
У нас есть типирования 0.4 и 1.0.
0.4 - это представитель типа А
1 - представитель типа Б
И вот у нас новый человек на типирование с признаком 0.6
0.6 - это Б, никаких вопросов.
Но он ближе к человеку с признаком на 0.4, там расстояние всего 0.2, он ближе к нему, чем к эталонному типу, от которого отстоит на 0.4. По признаку сходства он А.
Это приводит к тому, что какие-то типы начинают разбухать за счет других. Статистика искажается, но не очень сильно, как показало численное моделирование.
2. Далее в модель внес понятие "яркости личности" - у некоторых личностей, которые называем "яркими", начинает работать притяжение на сходство независимо от того, насколько они близки к эталону.
3. Эффект забывания. Старые эталоны забываются, новые используются для определения сходства активно.
Если уточнить, то забывание смоделировано так:
Есть небольшой пул эталонов, который используются для сравнения всегда.
Более "яркие" (параметр случайный) запоминаются надолго, менее яркие забываются пропорционально времени.
- С учетом этого запускал случайных человеков и обучал программу на типирование по сходству. Модель через некоторое время (более 2000 типирований) треть входного потока типировала в один тип. Некоторые типы были почти в игноре.
Когда я показал это некоторым типировщикам, сказав что то что у них доны занимают одна треть всех типов, а достов практически нет, получил ответы:
1. Лень разбираться
2. Мой опыт это не подтверждает. Качество типирования сохраняется
3. Мне лень вникать в построения этиков