金融统计学方法:神经网络

目录

1.神经网络

2.深度神经网络

3.案例分析


1.神经网络

神经网络是模仿人脑神经元工作原理而设计的一种算法模型。在一个基本的神经网络中,存在多个"神经元"或称为"节点",这些节点被组织成多个层次。每个节点都接收前一层的输入,进行加权求和,并通过一个激活函数产生输出。

神经网络主要由以下几个部分组成:

  1. 输入层:这是神经网络的第一层,用于接收外部数据。
  2. 隐藏层:位于输入层和输出层之间的层,可以有一个或多个。
  3. 输出层:将神经网络的结果输出给外部环境。
  4. 权重与偏置:每个连接都有一个权重,每个节点都有一个偏置。
  5. 激活函数:决定神经元是否应该被"激活"或输出其值。

2.深度神经网络

深度神经网络(DNN)基本上是一个有很多隐藏层的神经网络。这些额外的层使得DNN能够学习和表示更复杂的特征和模式。简而言之,一个"深"的网络意味着它有更多的层次和更多的能力,但同时也意味着它需要更多的数据和计算资源来进行训练。

深度学习的兴起归功于几个关键因素:

  • 大数据:深度网络需要大量的训练数据。
  • 计算能力的增强:如GPU的出现,使得大规模矩阵操作更为高效。
  • 算法进步:如ReLU激活函数、Dropout等技术的引入,帮助解决梯度消失和过拟合问题。

3.案例分析

下面利用神经网络来解决XOR问题。

XOR问题是指异或逻辑运算,对于两个二进制输入,XOR运算的定义如下:

从上面的表格可以看出,只有当两个输入不同时,输出才为1;如果两个输入相同,则输出为0。

XOR问题在神经网络领域的重要性在于:单个感知机(或称为线性单元)不能解决XOR问题,因为XOR函数不是线性可分的。这意味着你不能画一条直线来区分输出为1和输出为0的数据点。但是,使用一个具有至少一个隐藏层的多层神经网络可以解决XOR问题,这证明了引入隐藏层的重要性和多层神经网络的能力。

首先绘制XOR数据点:

python 复制代码
import matplotlib.pyplot as plt

# XOR 数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

plt.scatter(X[y[:,0] == 0][:, 0], X[y[:,0] == 0][:, 1], color='blue', label='0')
plt.scatter(X[y[:,0] == 1][:, 0], X[y[:,0] == 1][:, 1], color='red', label='1')
plt.xlabel('Input A')
plt.ylabel('Input B')
plt.legend()
plt.title('XOR Data Points')
plt.show()

结果图;

接下来利用神经网络进行预测:

python 复制代码
import numpy as np
import matplotlib.pyplot as plt

# 定义Sigmoid函数及其导数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def sigmoid_derivative(x):
    return x * (1 - x)

# 定义神经网络结构
input_neurons = 2
hidden_neurons = 4
output_neurons = 1

# 初始化权重和偏置
np.random.seed(0)
input_hidden_weights = np.random.rand(input_neurons, hidden_neurons)
hidden_output_weights = np.random.rand(hidden_neurons, output_neurons)
hidden_bias = np.random.rand(1, hidden_neurons)
output_bias = np.random.rand(1, output_neurons)

# 定义训练数据 (XOR problem)
X = np.array([
    [0, 0],
    [0, 1],
    [1, 0],
    [1, 1]
])
y = np.array([
    [0],
    [1],
    [1],
    [0]
])

learning_rate = 0.5
epochs = 10000
errors = []

# 训练神经网络
for epoch in range(epochs):
    # 前向传播
    hidden_layer_input = np.dot(X, input_hidden_weights) + hidden_bias
    hidden_layer_output = sigmoid(hidden_layer_input)
    output_layer_input = np.dot(hidden_layer_output, hidden_output_weights) + output_bias
    predicted_output = sigmoid(output_layer_input)
    
    # 计算误差
    error = y - predicted_output
    
    # 记录MSE
    mse = np.mean(np.square(error))
    errors.append(mse)
    
    # 反向传播
    d_predicted_output = error * sigmoid_derivative(predicted_output)
    error_hidden_layer = d_predicted_output.dot(hidden_output_weights.T)
    d_hidden_layer = error_hidden_layer * sigmoid_derivative(hidden_layer_output)
    
    # 更新权重和偏置
    hidden_output_weights += hidden_layer_output.T.dot(d_predicted_output) * learning_rate
    output_bias += np.sum(d_predicted_output, axis=0, keepdims=True) * learning_rate
    input_hidden_weights += X.T.dot(d_hidden_layer) * learning_rate
    hidden_bias += np.sum(d_hidden_layer, axis=0, keepdims=True) * learning_rate

print(predicted_output)

# 绘制误差曲线
plt.plot(errors)
plt.title('Error (MSE) over Epochs')
plt.xlabel('Epochs')
plt.ylabel('Mean Squared Error (MSE)')
plt.show()

预测结果:

复制代码
[[0.01707759]
 [0.98487483]
 [0.98482722]
 [0.01675426]]

误差曲线如下;

可见,随着迭代次数的增加, 均方误差MSE越来越小,最终收敛到0。


相关推荐
孙同学要努力25 分钟前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee202125 分钟前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧31 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽2 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_2 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
bryant_meng2 小时前
【python】Distribution
开发语言·python·分布函数·常用分布
SongYuLong的博客2 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI2 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-2 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
johnny_hhh2 小时前
AI大模型重塑软件开发流程:定义、应用场景、优势、挑战及未来展望
人工智能