机器学习-深度学习的知识:
监督学习
分类问题,输出是离散的值。
回归问题,输出是连续的值。
分类问题
损失函数: 针对分类问题,使用的是交叉熵损失函数,
针对回归问题,使用的是MSE和 误差的绝对值
引入激活的函数的原因:(激活函数用于隐藏层)
输入X 经过xw+b以后还是线性的,输出都是输入的线性组合, 无论引入多少层都是线性的,隐含层的存在没有意义,不能对数据进行很好的拟合。
如果引入激活函数,使神经网络可以任意逼近任何非线性函数,这样神经网络可以引用到众多的非线性模型中。
当数据是分类问题的时候,线性函数已经不能解决问题了,这个时候,为了更好的分类问题,采用激活函数,进行非线性化,来分类。
激活函数的种类: sigmoid ,relu ,tanh各种的利弊,就不详解了,最好使用Relu 处理分类问题。
输出层,输出层不使用激活函数,可以使用sigmoid(既可以作为激活函数,又可以最为输出层函数) 和softmax 函数
sigmoid 解决二分类问题。
分类数量>2的时候使用softmax函数 ,softmax的分类标签都使用onehot编码,对于二分类问题,如果采用sigmoid 最后一层 输出1个节点,
如果采用softmax 最后一层输出1个节点。
后续我会针对回归问题 做一个总结。