Image 1. Problème de classification non linéaire. Une fonction linéaire ne peut pas
séparez clairement tous les points
bleus des points orange.
Non linéaire signifie qu'il est impossible de prédire avec précision une étiquette
au format \(b + w_1x_1 + w_2x_2\). En d'autres termes,
"surface de décision" n'est pas une ligne.
Toutefois, si nous effectuons un croisement de caractéristiques $x_1$ et $x_2$, nous pouvons
puis représenter la relation non linéaire entre les deux caractéristiques à l'aide d'une
modèle linéaire:
$b + w_1x_1 + w_2x_2 + w_3x_3$ où $x_3$ est le croisement de caractéristiques entre
$x_1$ et $x_2$:
Figure 2 : En ajoutant le croisement de caractéristiques
x1x2, le modèle linéaire peut apprendre
une forme hyperbolique qui sépare
les points bleus des points orange.
Prenons maintenant l'ensemble de données suivant:
Figure 3 : Problème de classification non linéaire plus complexe.
Nous avons également vu les exercices de croisement de caractéristiques
que déterminer les croisements de caractéristiques appropriés
pour appliquer un modèle linéaire à ces données
a demandé un peu plus d'efforts
et d'expérimentation.
Mais que se passerait-il si vous ne deviez pas réaliser tous ces tests vous-même ?
Les réseaux de neurones constituent une famille
d'architectures de modèles conçues pour trouver
non linéaire
des modèles dans
les données. Lors de l'entraînement d'un réseau de neurones,
model automatiquement
apprend les croisements de caractéristiques optimaux à effectuer sur les données d'entrée pour minimiser
de perte de données.
Dans les sections suivantes, nous allons examiner de plus près le fonctionnement des réseaux de neurones.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2024/08/13 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2024/08/13 (UTC)."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]