机器学习入门笔记(六)----神经网络

1.模型表示：

• 模型分层：输入层、输出层、隐藏层。a(i) i表示第几层。
• thera(i) : 为第i层到第i+1层间的权重参数。

2. 向前传播：g(theta(i) * a(i))得到a(i+1)。最后一层即是h(x)

3. 解决分类问题：

• 类别 c = 2时，输出层仅一个节点，与逻辑回归相同，表示某一个分类的概率。
• 类别 c > 2时，输出层c个节点，每个节点的输出值为属于该类的概率。结果去其中最大值。

4. 代价函数：

与逻辑回归类似，只不过输出层包含多个逻辑回归的h(x)。

前半部分为k的h(x)与y的误差，在m个样本上的表现。

后半部分为正则项，包含所有theta。

5. 反向传播：

最小化代价函数的方法，利用集成的方法，之前提过，需要计算出：J值，以及对每个theta的偏导项。

注意： 这里j != 0时， D = 1/m * (delta + lamda * theta)   这个括号上图中没有标出。第一次实现算法时，花费了我差不多5小时一遍一遍的检查代码哪里有问题。最终询问了一个教授才知道这个问题。

计算方法：

6. 神经网络训练步骤: