提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
神经网络小白初探——感知学习和反向传播算法
Perceptron Learning and Backpropagation
前言
关于感知机和反向传播几个小问题
提示:以下是本篇文章正文内容,下面案例可供参考
https://machinelearningmastery.com/learning-rate-for-deep-learning-neural-networks/
一、什么是感知机
- 感知机的定义是什么?
感知机(perceptron)是二类分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别。
- 感知机的取值是什么?
取+1和 0 二值。
- 感知机对应于输入空间(特征空间)中的什么?
感知机对应于输入空间中将实例划分为正负两类的分离超平面,属于判别模型。
- 感知机学习的目的是什么?
感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。
- 感知机学习算法有什么特点?
感知机学习算法具有简单,并且易于实现的特点,分为原始形式和对偶形式。
- 什么是感知机预测?
感知机预测是用学习得到的感知机模型对新的输入实例进行分类。它是神经网络与支持向量机的基础。
7)感知机模型学习规则
二、QUIZ
1.能从感知机中学到什么类型函数?
W