一.概念
我们先来看一个问题,就是通过这个表,推断出?处到底是0还是1。
很简单,答案是1,我们可以观察到,在前4行中,当a=0时,d=0,当a=1时,d=1.所以第五行当a=1的时候,d显而易见等于1.
但是这个问题与学习神经网络有什么关系呢?原因是神经网络是与人大脑的神经网络相似,而我们可以用大脑快速的看出来d等于多少,但是无法让计算机判断出来。所以前人发明了神经网络。而就是通过神经网络,电脑才能快速判断出d的值。
在没有神经网络之前,我们可能会做出这样的死代码:
if(a==0)
{
d = 0;
}
else if(a==1)
{
d = 1;
}
这是死的代码,但是假如变成这样
这样的话,用刚刚的死代码已经没有任何作用了。判断不出来d的值了。
而我们想要对d做出判断,就要构造一个会自己学习的程序来满足d的值,这就是机器学习。
二.解决
现在用构建神经网络的方法来解决这个问题
from numpy import array,exp,random,dot
X = array([[0,0,1],[1,1,1],[1,0,1],[0,1,1]])#将a,b,c的4组数据导入
Y = array([[0,1,1,0]]).T#.T是简单转置矩阵
random.seed(1)
weights = 2 * random.random((3,1)) - 1#随机数
for it in range(10000):
output = 1/(1+exp(-dot(X,weights)))#使用假设的方法算出d的值
error = Y - output#用实际值与假设值做差得到一个误差,误差越小越好
delta = error * output * (1-output)#根据误差做出调整
weights += dot(X.T,delta)#用调整的结果更改误差
print(weights)
print(1/(1+exp(-dot([[1,0,0]],weights))))
结果:
前三行是代表a,b,c与d的权重系数,而由得到的数据可以看出,d的值跟a的关系最大,他们的关系是正相关,而b与d的值似乎没有直接关系,而c的值与d的值就相当于c如果等于0,d有很大机率等于1。而我用a = 1,b = 0,c = 0,来对d做出预测,等于0.99993704,他近似于1。
一组数据说明不了什么,现在我让a = 0,b =0, c=1,来看看d的预测结果是什么。
跟我上边得出来的结论相似,d的预测值为0。
再试一组,a = 0,b = 1,c = 1.
可以看出d的值与b,c的值不相干。这就是我们的简单神经网络。
给原始数据集换一个数据试试
X = array([[1,0,1],[1,1,0],[0,0,1],[0,1,0]])
Y = array([[1,1,1,0]]).T
结果:
可以得出d的值跟a,c是正相关,而跟b没有什么关系。但由于这是单神经元神经网络,可能做出的预测结果有些不准确,但是通过后面的学习,他会变得准确的。