本文主要讲的是神经网络用于多分类场景。
其实逻辑回归也可以用于多分类，为什么要引入神经网络呢？
生活中很多问题的分类是非线性分类，比如这样：
如果我们想要通过逻辑回归还解决这类问题，需要利用多项式。即它的模型可能会变成 h θ ( x ) = g ( θ 0 + θ 1 x 1 + θ 2 x 2 + θ 3 x 1 x 2 + θ 4 x 1 2 x 2 + θ 5 x 1 3 x 2 + θ 6 x 1 x 2 2 + . . . . ) h_\theta(x) = g(\theta_0+\theta_1x_1+\theta_2x_2+\theta_3x_1x_2+\theta_4x_1^2x_2+ \theta_5x_1^3x_2+\theta_6x_1x_2^2+....) hθ(x)=g(θ0+θ1x1+θ2x2+θ3x1x2+θ4x12x2+θ5x13x2+θ6x1x22+....)
这还只是有两个特征的情况下，如果特征很多，这个多项式的式子会变得非常复杂。所以我们需要一种新的方法来帮助我们解决这种情况。
神经网络的模型表达
逻辑回归的模型是这样的：
神经网络比逻辑回归多了一些隐藏层。其模型表示如下:
隐藏层与输入层之间的关系为:
a 1 ( 2 ) = g ( Θ 10 ( 1 ) x 0 + Θ 11 ( 1 ) x 1 + Θ 12 ( 1 ) x 2 + Θ 13 ( 1 ) x 3 ) a^{(2)}_1 = g(\Theta^{(1)}_{10}x_0+\Theta^{(1)}_{11}x_1+\Theta^{(1)}_{12}x_2+\Theta^{(1)}_{13}x_3) a1(2)=g(Θ10(1)
最低0.47元/天 解锁文章
880
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
