使用单层感知器掌握多类分类：从头开始的 MATLAB 实现

介绍

单层感知器是最简单的神经网络架构之一，由输入层和输出层组成。因此，它可以用于各种分类任务，包括多类分类。

问题表述

对于多类分类问题，我们有一个包含n输入样本的数据集，每个样本都有d特征和总c类别。我们的目标是使用单层感知器学习从输入特征到类标签的映射。

单层感知器架构

单层感知器由连接到输出层的输入层组成。对于多类分类问题，输出层具有c神经元，每一类都有一个神经元。输入特征乘以权重并添加到偏差以产生逻辑。然后，将 softmax 函数应用于 logits 以获得类别概率。

数学公式

我们将输入特征矩阵表示为X（形状：nxd），权重矩阵表示为W（形状：dxc），偏差矩阵表示为b（形状：1 xc），其中n是样本数，d是特征数，c是数量类。logits 由 给出Z=X*W+b，softmax 函数应用于 logits 以获得类别概率。

<