Добрый день!
У меня есть задача:
Дано множество анализов телефонных звонков, по каждому звонку в течение разговора замеряется 15 параметров.
Звонок оценивается наблюдателем как "хороший" или как "плохой" (оценка = 1 или 0) по всему звонку целиком.
Необходимо обучить нейронную сеть самостоятельно отличать хорошие звонки от плохих по данным измерениям.
В данный момент я сформировал задачу как анализ каждого вектора с измерениями (по каждому звонку как минимум по 10-15 измерений в течение разговора), по которому ставится оценка, но это дает низкую точность (максимум 62,5% верных ответов сети).
Необходимо научить нейронную сеть выставлять одну оценку всему звонку целиком (а по каждому звонку есть множество измерений) и повысить точность верного ответа хотя бы до 90%.
Как можно переформулировать задачу или изменить выборку, чтобы нейронная сеть могла эффективно выполнить задачу?

А может в выбранном признаковом пространстве плотности распределения двух классов и не являются сепарабельными? Т.е. плотности распределения существенно перекрываются?

Почему бы Вам не начать с проверки гипотез об отличиях матожиданий и дисперсий двух классов для каждого из выбранных показателей? А потом посмотреть, как решают эту задачу классические статистические методы классификации (линейный дискриминант, байес)? Иначе топайте со своими цифрами о 62.5% правильных ответов сети к нострадамусам (пусть они, не видя Вашу выборку и её особенности, эту цифру интерпретируют).

Переформулировать задачу... Звонков миллионы? Тогда boosting поможет увеличить точность классификации (за счёт построения нескольких классифицирующих моделей и схемы принятия решения на их основе)


PS. Бюджет под задачу существует? Готов Вас избавить от этих денег (см. сайт в подписи, если конструктивные деловые предложения будут - пишите)

Encog решит твои проблемы. там много типов готовых сетей или можно самому сконструировать из блоков в визуальном редакторе.