机器学习—神经网络入门

神经网络基础
在机器学习中，线性回归和逻辑回归用来处理相关问题很简单，当我们的数据集如下时：

例如一个房屋有很多的特征时，特征点有多个，算出如上的逻辑回归，此时函数很复杂，所以这不是一个好办法。

于是，我们使用神经网络算法可以来实现这个大量的特征算法：
神经元：

它有输入神经，输出神经，简而言之，神经元是一个计算的东西，它通过用户输入，然后输出，传递到其他节点，所以计算过程如下：

神经网络如下：

输入特征项：x1，x2，x3，最后h（x）为输出。
layer2为隐藏层，这里面的值我们不知道。所有输出层和输入层都是隐藏层。
上述的神经元，计算过程如下：

每个输入值，在一个节点中，有不同的权值，根据不同的权值来计算输出。
其中为矩阵相乘的相关知识，g为sigmode函数：

上述算法中，类似于矩阵相乘：

其中z⑶矩阵z⑶=[ z1⑶]。
可以看出，神经网络如同逻辑回归，只是神经网络增加了隐藏层，使得我们的传递数据有所改变，当隐藏层变多时，我们得数据变化也不同，让其自己训练特征值。

例如：

每个x分配了权值，θ，上述θ分别为-30，20，20，这个小神经元计算原理如上，

我们将其计算出来：

所以，h（x）得值如上，所以，通过上述逻辑，可以理解，这个逻辑运算，其中最重要的我们需要确定权值。

那我们如何训练数据呢？
通过蓝色圈圈，输入数据，经过两个隐藏层，自动计算其中的权值，然后在在输出层输出，最后输出为一个矩阵，四维向量。
大致神经网络基础就是这些。后面会了解深度神经网络算法。

如有错误可以联系我：626529441，一起交流学习，谢谢。