1,模型表示
在人体的大脑中,每一个神经元都可以被认为是一个处理单元,有很多额树突(输入),并且有一个轴突(输出), 神经网络是大量神经元相互连接并通过电脉冲来交流的一个网络。
神经网络模型建立在很多神经元之上,每一个神经元又是一个个学习模型。这些神经元采纳一些特征作为输入,并且根据本身的模型提供一个输 出。下图是一个以逻辑回归模型作为自身学习模型的神经元示例,在神经网络中,参数又可 被成为权重。
表示的是输入变量,输入变量乘以参数(权重)作为输出数据传递给下一层神经元,继续处理,得出一个数传递给激活函数。
神经网络模型是许多逻辑单元按照不同层级组织起来的网络,每一层的输出变量都是下 一层的输入变量。下图为一个 3 层的神经网络,第一层成为输入层(Input Layer),最后一 层称为输出层(Output Layer),中间一层成为隐藏层(Hidden Layers)。我们为每一层都增 加一个偏差单位(bias unit):
2,神经网络的直观理解
从本质上讲,神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中, 我们被限制为使用数据中的原始特征?1, ?2, . . . , ??,我们虽然可以使用一些二项式项来组合 这些特征,但是我们仍然受到这些原始特征的限制。在神经网络中,原始特征只是输入层, 在我们上面三层的神经网络例子中,第三层也就是输出层做出的预测利用的是第二层的特 征,而非输入层中的原始特征,我们可以认为第二层中的特征是神经网络通过学习后自己得 出的一系列用于预测输出变量的新特征。
3,多项分类
当有多项需要预测的话,比如说我们需要预测四类的话那么我么可以这样: