为什么还需要神经网络？
线性回归和逻辑回归确实可以解决大量的监督学习问题，但是在非线性多项式假设方程中，随着样本集特征数的增多，参数会成指数级的增长，给算法带来几乎不显示的巨大计算压力，此时，我们需要引入神经网络
最典型的神经网络问题就是计算机视觉，每个像素都是一个特征量，组成多项式后参数可以达到百万级别，线性回归和逻辑回归用于解决此类问题已经不现实了
神经网络模型
模型展示
在神经系统中，神经元接受其它细胞传递的信息，然后以电脉冲的形式向目的地提供反馈。依此我们产生类似的神经网络模型：
[ x 0 x 1 x 2 ] T → [ ] → h θ ( x ) \begin{bmatrix}x_0 \newline x_1 \newline x_2 \newline \end{bmatrix}^T\rightarrow\begin{bmatrix}\ \ \ \newline \end{bmatrix}\rightarrow h_\theta(x) [x0x1x2]T→[ ]→hθ(x)
- 输入数据层称为输入层，最左端
- 输出数据层称为输出层，最右端
- 中间级称为隐藏层，中间
如：
[ x 0 x 1 x 2 x 3 ] → [ a 1 ( 2 ) a 2 ( 2 ) a 3 ( 2 ) ] → h θ ( x ) \begin{bmatrix}x_0 \\ x_1 \\ x_2 \\x_3\end{bmatrix}\rightarrow\begin{bmatrix}a_1^{(2)} \\ a_2^{(2)} \\ a_3^{(2)} \\\end{bmatrix}\rightarrow h_\theta(x) ⎣⎢
最低0.47元/天 解锁文章
1231
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
