Figura 1. Problema di classificazione non lineare. Una funzione lineare non può
separa in modo pulito tutti i pallini blu da quelli arancioni.
"Non lineare" significa che non puoi prevedere con precisione un'etichetta con un
modello del formato \(b + w_1x_1 + w_2x_2\). In altre parole,
"superficie decisionale" non è una linea.
Tuttavia, se eseguiamo un incrocio di caratteristiche sulle nostre caratteristiche $x_1$ e $x_2$, possiamo
allora rappresenta la relazione non lineare tra le due caratteristiche utilizzando
modello lineare:
$b + w_1x_1 + w_2x_2 + w_3x_3$ dove $x_3$ è l'incrocio di caratteristiche
$x_1$ e $x_2$:
Figura 2. Aggiungendo l'incrocio di caratteristiche
x1x2, il modello lineare può apprendere
una forma iperbolica che separa i punti blu da quelli arancioni.
Consideriamo ora il seguente set di dati:
.
Figura 3. Un problema di classificazione non lineare più difficile.
Forse ricorderai anche dagli esercizi incrociati sulle funzionalità
che determinare gli incroci di caratteristiche corretti per adattare un modello lineare a questi dati
ha richiesto un po' più di impegno e di sperimentazione.
Ma cosa succede se non dovessi fare tutta questa sperimentazione?
Le reti neurali sono una famiglia
di architetture di modelli progettate per trovare
non lineare
di pattern nei dati. Durante l'addestramento di una rete neurale,
model automaticamente
Apprende gli incroci di caratteristiche ottimali da eseguire sui dati di input per ridurre al minimo
o una perdita di dati.
Nelle sezioni seguenti, esamineremo più da vicino come funzionano le reti neurali.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Mancano le informazioni di cui ho bisogno","missingTheInformationINeed","thumb-down"],["Troppo complicato/troppi passaggi","tooComplicatedTooManySteps","thumb-down"],["Obsoleti","outOfDate","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Problema relativo a esempi/codice","samplesCodeIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 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."]]],[]]