• 欢迎访问数智,大数据学习

【ML第七节】:机器学习之人工神经网络

机器学习 Raybra_Wei 2年前 (2018-09-06) 457次浏览 0个评论 扫描二维码

了解人工神经网络以人脑中的神经网络为启发,是一种模仿生物神经网络(动物的中枢神经系统)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。人工神经网络由大量的人工神经元联结进行计算,大多数情况下人工神经网络能够在外界信息的基础上改变内部结构,是一种自适应系统。

M-P神经元模型:如图 1,在图中的 M-P 神经元模型中,神经元接收到来自 n 个其他神经元传递过来的输入信号(x),这些信号通过带权重(w)的连接进行传递,神经元收到的总输入值将与神经元的阀值进行比较,然后通过激活函数处理来产生神经元的输出。理想的激活函数是单位阶跃函数(图 2),他的作用是将输入值映射成 0 或者 1;但是单位阶跃函数具有不连续、不光滑的性质,所以常用 Sigmoid 函数(图 3)作为激活函数。

【ML 第七节】:机器学习之人工神经网络

【ML 第七节】:机器学习之人工神经网络

把许多的这样的神经元按照一定的层次关系连接起来,就构成了人工神经网络

多层向前神经网络:多层向前神经网络由 3 部分组成:输入层、隐藏层、输出层。

【ML 第七节】:机器学习之人工神经网络

在上面我们解释了神经元,在这里很多的神经元组成了该神经网络,输入层是由训练集的实例特征向量传入的,隐藏层的个数可以是任意的,输入层有一层,输出层有一层。通常输入层不算做层数,所以上面的神经网路有两层。理论上,只要有足够多的隐藏层和足够大的训练集我们可以模拟出任何方程。

设计神经网络结构:

1、 使用神经网络训练数据之前,必须确定神经网络的层数,以及每层单元的个数

2、 特征向量在被传入输入层时通常被先标准化(normalize)到 0 和 1 之间 (为了加速学习过程)

3、 离散型变量可以被编码成每一个输入单元对应一个特征值可能赋的值。比如:特征值 A 可能取三个值(a0, a1, a2), 可以使用 3 个输入单元来代表 A。 如果 A=a0, 那么代表 a0 的单元值就取 1, 其他取 0;如果 A=a1, 那么代表 a1de 单元值就取 1,其他取 0,以此类推

4、 神经网络即可以用来做分类(classification)问题,也可以解决回归(regression)问题。对于分类问题,如果是 2 类,可以用一个输出单元表示(0 和 1 分别代表 2 类)如果多余 2 类,每一个类别用一个输出单元表示, 所以输入层的单元数量通常等于类别的数量,没有明确的规则来设计最好有多少个隐藏层,根据实验测试和误差,以及准确度来实验并改进

Backpropagation算法:

 

 


数智 Lab , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权
转载请注明原文链接:【ML 第七节】:机器学习之人工神经网络
喜欢 (2)
[]
分享 (0)
关于作者:
发表我的评论
取消评论
表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址