人工神经网络(Artificial Neural Network)是由简单神经元经过相互连接形成网状结构,通过调节各连接的权重值改变连接的强度,进而实现感知判断。
反向传播(Back Propagation,BP)算法的提出进一步推动了神经网络的发展。目前,神经网络作为一种重要的数据挖掘方法,已在医疗诊断、信用卡欺诈识别、手写数字识别以及发动机的故障诊断等领域得到了广泛的应用。
神经网络类型:
- 前馈神经网络
- 反馈神经网络
- 自组织神经网络
神经网络相关概念:
- 激活函数
- 损失函数
- 学习率
- 过拟合
- 模型训练中的问题
- 神经网络效果评价
传统神经网络结构比较简单,训练时随机初始化输入参数,并开启循环计算输出结果,与实际结果进行比较从而得到损失函数,并更新变量使损失函数结果值极小,当达到误差阈值时即可停止循环。
神经网络的训练目的是希望能够学习到一个模型,实现输出一个期望的目标值。学习的方式是在外界输入样本的刺激下不断改变网络的连接权值。传统神经网络主要分为以下几类:前馈神经网络、反馈神经网络、自组织神经网络。这几类神经网络具有不同的学习训练算法,可以归结为监督型学习算法、非监督型学习算法。
感知器是一种结构最简单的前馈神经网络,也称为感知机,它主要用于求解分类问题。
一个感知器可以接收n个输入,对应n个权值
,此外还有一个偏置项阈值b,神经元将所有输入参数与对应权值进行加权求和,得到的结果经过激活函数f变换后输出,计算公式如下:
神经元的作用可以理解为对输入空间进行直线划分,单层感知机无法解决最简单的非线性可分问题。