第五章 神经网络
【思维导图】
; 定义
由具有适应性的”简单单元”组成的广泛并行互联的网络,它的组织能够模拟生物神经系统对真实世界物体所做的交互反应。
M-P神经元
(由McCulloch and Pitts 提出)
INPUT: n个其他神经元 X 带权重的连接
OUTPUT:Function of (总输入值 – 神经元阈值)——经处理函数处理后的结果
感知机
感知机模型是一种单个的M-P模型,激活函数是sgn(阶跃函数)的神经元。
数学角度
- 感知机(sgn作为激活函数),对数几率回归(sigmond)作为f(·),利用sigmond函数尽量将模型的输出值与真实标记逼近。
几何角度
- 求得数据集T中的正负样本完全正确划分的超平面。
感知机的学习策略
*
1. 随机初始化w, b, 将全部训练样本代入模型,找出误分类样本,假设此时误分类样本集合为M ∈ T.
*
1. 对于 任意一个误分类样本(x, y) ∈ M 来说,当
时,模型输出值为y _ hat = 1 ,样本真实标记为 y = 0;反之,当 时,
模型输出值为 y_hat = 0 ,样本真实标记为 y = 1。综合两种情形可知,如下公式成立且不等式左侧值越小越好。
*
1. 综合上述情况,其损失函数可定义为如下所示,且如果没有误分类点,损失函数值是0。而且,误分类点越少,误分类点离超平面越近,损失函数值就越小。
神经网络
多个神经元构成,可以划分分类线性不可分的数据集,且根据通用近似定理——只需一个包含足够多神经元的隐层,神经网络(例如经典的多层前馈网络)就能以任意精度逼近任意复杂度的连续函数。
特点&优点
- 做回归
- 做分类
XMind: ZEN – Trial Version
Original: https://blog.csdn.net/weixin_50069046/article/details/123784890
Author: 有心の敢敢
Title: Datawhale开源组队学习 & 《机器学习》第五章 神经网络【思维导图版】
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/692173/
转载文章受原作者版权保护。转载请注明原作者出处!