一:前言
如果大家对神经网络感知器相关的内容不是很了解的话,可以查看一下我写的另外一篇博客神经网络。这里我们假设我们训练的数据集有 μ 组数据,每组数据有 i 个输入变量
1.1 单个神经网络的数学表达式
f(x)=∑iwixi+bx为一组输入值
如果我们仔细分析一下的话,在优化权重的过程中的话,偏移量——b的有无实际上不会影响我们的推导过程的,所以我们将这个数学表达式简化为如下的形式:
f(x)=∑iwixi
1.2 衡量一个感知器的权重是否合适的标准
在实际的神经网络的训练过程中,我们在评判单个感知器是否预测的正确呢?针对单次预测的优劣,我们常常使用的是如下的公式:
E=(y−y^)2
但是我们在实际的过程中,经常是对整个数据集进行预测,那我们就需要将上述公式转换为如下所示:
E=∑μ(yμ−y^μ)2yμ代表第μ组数据的标签值y^μ代表感知器对第μ组数组的预测值