我们用一个简单的感知器来解释bias的作用，下图是一个简单的感知器，输入三个变量，输出值为0或1，当三个变量与权值的成绩大于某个阈值时，输出1，反之输出0.
函数模型如上图：
在上面的模型中，阈值越大那么想要输出1的难度就越大，也就是说产生正激励的难度就越大，用一个实际的例子来说明。假如学校附近开了一家新的小吃店，这是影响你去的元素有三个。
1 天气好不好 （1 or 0）
2 好不好吃 （1 or 0）
3 偏不便宜 （1 or 0）
假设三个因素的影响是相同的，那么权重就取相同的值，取.
如果这时候的阈值取0的话，则说明不管有没有这三个因素你都会去吃，那么这三个因素就不是能够影响你去或不去的参数，也就是说明参数选错了。
如果阈值取1时，就说明三个因素只要满足一个你就会去。
如果阈值取2时，就说明三个因素要满足二个你就会去。
如果阈值取3时，就说明三个因素必须要满足三个你就会去。
如果阈值大于4的话，则说明无论如何你都不会去吃，也说明了这三个参数不会对你去不去造成影响。
上面的例子说明了bias的作用，也就是说明了bias的大小决定了神经云产生的正负激励的难易程度。
还有其他的理解就是，这里的bias是所选模型自带的固有的误差，因为选的模型必不可能是完美的，bias与数据无关，是模型自带的
最简单的解释就是原来的模型是w1x1+w2x2+...+wnxn>=b这里的b就是bias也就是阈值，当达到某个阈值的时候，产生输出，但是为了模型的方便将b移到了左边变成w1x1+...+wnxn+(-b)>=0
2354
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
