一起啃西瓜书(5)-神经网络《机器学习-周志华》 - 知乎 (zhihu.com)参考进行自我复习整理,侵删!
1、神经元模型
- 神经网络定义:神经网络是由 具有适应性 的 简单单元 组成的广泛 并行互连 的网络。
- M-P神经元模型:输入、处理、输出
第二步超过阈值则兴奋(做出反应),否则不兴奋(没反应) ,通过f(x)阶跃函数实现,但阶跃函数不连续,使用sigmoid函数。
2、感知机
-
组成:两层,输入层 接受外界信号、输出层是"M-P神经元"。
-
明确:输入层 的神经元不是"M-P神经元",他们**没有"阈值"**可言,无激活函数
-
把阈值转换为类似权重*输入值 的形式:
-
学习规则:对于一个样例(x,y),当前感知机的输出为 𝑦^,也就是y为根据x得到的真实的y,也是我们期望感知机能得到的y,但是感知机实际输出的为 𝑦^,两者之间的差距为y- 𝑦^,为了使输出更接近,也就是使y- 𝑦^最小化,我们需要调整感知机参数(所有权重及阈值,阈值已经被转换为了权重形式),调整公式如下:
也就是学习率越大,调整幅度越大;感知机输出与实际之间的差距越大,调整幅度越大;该神经元的输入值越大,调整幅度越大。同时我们也可以得到如下结论:
- 若感知机预测正确,不需要调整
- w向着预测正确的方向调整
- 根据错误的程度对参数进行调
- 可解决问题:线性可分问题。也就是在坐标系中两种类型之间可以用一条线划分开,比如与或非问题可划分如下,其中蓝色为正样本,绿色为负样本。
但是异或问题至少要用两条线才可分割开,如下图所示,这也就意味着感知机无法解决该问题,需要引入两层感知机来解决。