โครงข่ายประสาทเทียม

คุณอาจจำได้จากแบบฝึกหัดการครอสฟีเจอร์ในโมดูลข้อมูลเชิงหมวดหมู่ว่าปัญหาการจัดประเภทต่อไปนี้ไม่ใช่แบบเชิงเส้น

รูปที่ 1 ระนาบพิกัดพิธานซึ่งแบ่งออกเป็น 4 ส่วน โดยแต่ละส่วนมีจุดแบบสุ่มซึ่งมีลักษณะคล้ายสี่เหลี่ยมจัตุรัส จุดในจตุภาคด้านบนขวาและด้านล่างซ้ายจะเป็นสีน้ำเงิน
      และจุดในจตุภาคด้านซ้ายบนและขวาล่างจะเป็นสีส้ม
รูปที่ 1 ปัญหาการจัดประเภทแบบไม่ใช่เชิงเส้น ฟังก์ชันเชิงเส้นไม่สามารถ แยกจุดสีน้ำเงินทั้งหมดออกจากจุดสีส้มอย่างชัดเจน

"ไม่ใช่เชิงเส้น" หมายความว่าคุณไม่สามารถคาดการณ์ป้ายกำกับได้อย่างแม่นยำด้วยรูปแบบของแบบฟอร์ม \(b + w_1x_1 + w_2x_2\)กล่าวคือ "พื้นผิวการตัดสินใจ" ไม่ใช่เส้น

อย่างไรก็ตาม หากทำการครอสฟีเจอร์กับฟีเจอร์ $x_1$ และ $x_2$ เราจะแสดงความสัมพันธ์ที่ไม่ใช่เชิงเส้นระหว่างฟีเจอร์ 2 รายการได้โดยใช้โมเดลเชิงเส้น ดังนี้ $b + w_1x_1 + w_2x_2 + w_3x_3$ โดยที่ $x_3$ คือครอสฟีเจอร์ระหว่าง $x_1$ กับ $x_2$

รูปที่ 2 ระนาบพิกัดพิธานคาร์ทีเซียนเดียวกันของจุดสีน้ำเงินและสีส้มดังในรูปที่ 1  แต่คราวนี้เส้นโค้งไฮเปอร์โบลิกสีขาว
      พล็อตในตาราง ซึ่งจะแยกจุดสีน้ำเงินที่ด้านขวาบน
      และจตุภาคด้านซ้ายล่าง (ตอนนี้แรเงาด้วยพื้นหลังสีฟ้า) จาก
      จุดสีส้มในจตุภาคด้านบนซ้ายและล่างขวา (ตอนนี้คือ
      แรเงาด้วยพื้นหลังสีส้ม)
รูปที่ 2 เพิ่มกากบาทขององค์ประกอบ x1x2 โมเดลเชิงเส้นสามารถเรียนรู้ รูปทรงไฮเปอร์โบลิกที่แยกจุดสีน้ำเงินออกจากจุดสีส้ม

มาดูชุดข้อมูลต่อไปนี้

รูปที่ 3 ระนาบพิกัดคาร์ทีเซียนแบ่งออกเป็น 4 จตุภาค
      กลุ่มจุดสีน้ำเงินรูปวงกลมอยู่ตรงจุดเริ่มต้นของกราฟ และล้อมรอบด้วยวงแหวนจุดสีส้ม
รูปที่ 3 ปัญหาการแยกประเภทแบบไม่ใช่เชิงเส้นที่ยากกว่า

คุณอาจยังจำได้จากแบบฝึกหัดการครอสฟีเจอร์ว่าการระบุการครอสฟีเจอร์ที่ถูกต้องเพื่อให้รูปแบบเชิงเส้นพอดีกับข้อมูลนี้ต้องใช้ความพยายามและการทดสอบมากกว่าเดิมเล็กน้อย

แต่จะเกิดอะไรขึ้นหากคุณไม่ต้องทำการทดสอบทั้งหมดด้วยตนเอง โครงข่ายระบบประสาทเทียมเป็นตระกูลของรูปแบบสถาปัตยกรรมโมเดลที่ออกแบบมาเพื่อค้นหารูปแบบที่ไม่ใช่เชิงเส้นในข้อมูล ในระหว่างการฝึกอบรมเครือข่ายประสาทเทียม โมเดลจะเรียนรู้การครอสฟีเจอร์ที่ดีที่สุดโดยอัตโนมัติเพื่อดำเนินการกับข้อมูลอินพุตเพื่อลดการสูญเสีย

ในส่วนถัดไป เราจะดูรายละเอียดวิธีการทำงานของเครือข่ายประสาทกัน