前几节链接
目录
神经网络
非线性假设
下面是一个例子：
当我们用x1和x2进行预测时可以得到不错的效果，但是在实际当中，特征不仅仅只有几个。假设有100个特征，倘若用这100个特征来构建一个非线性模型，特征组合的数量将会十分惊人。而当特征太多的时候，无疑会增加计算机的工作量。与此同时，特征太多也会导致过拟合的发生。那么是否可以适当的减少一些特征呢？答案是否定的，如果减少特征，可能会导致模型拟合不出某些特定的情况。而这个时候则需要用到神经网络。
模型表示
首先来看一看人类大脑中的神经网络是怎样的。
上图是神经网络的基本单位神经元，注意它含有许多输入（树突），但只有一个输出（轴突）。而神经网络就是有大量的神经元互相连接构成的。
下面是一个神经元模拟逻辑单元的模型：
黄色圆圈就是一个类似神经元的东西，然后我们可以通过树突（x到黄圈之间的线）来传输一些信息，在神经元运算之后输出。有时候还会加入偏置单元x0，但是因为x0=1,所以需要根据具体情况再决定是否加入它。
接下来就是神经网络，第一层为输入层，第三层为输出层。中间的是隐藏层，因为在有监督训练中我们只能看到输入输出，并不知道中间的值，所以叫隐藏层。一般只要不是输入输出层，我们都可以称之为隐藏层。
那么神经网络具体是怎么运行的呢？
下面引入一些标记来描述模型：
表示第j层的第i个激活单元，所谓激活单元指的就是一个神经元经过输入再输出的值。
表示从第j层映射到第j+1层时的权重矩阵 。图示如下：
扫一扫
1172
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
