Abbildung 1. Nicht lineares Klassifizierungsproblem. Eine lineare Funktion kann
die blauen von den orangefarbenen Punkten.
„Nicht linear“ bedeutet, dass Sie ein Label mit einem
der Form \(b + w_1x_1 + w_2x_2\). Mit anderen Worten, der Parameter
„Entscheidungsfläche“ ist keine Linie.
Wenn wir jedoch eine Funktionsverknüpfung für die Funktionen $x_1$ und $x_2$ durchführen,
stellen dann die nicht lineare Beziehung zwischen den beiden Funktionen mithilfe eines
lineares Modell:
$b + w_1x_1 + w_2x_2 + w_3x_3$, wobei $x_3$ die Merkmalsverknüpfung zwischen
$x_1$ und $x_2$:
Abbildung 2. Durch das Hinzufügen der Funktionsverknüpfung
x1x2 kann das lineare Modell lernen,
eine hyperbolische Form, die die blauen von den orangefarbenen Punkten trennt.
Betrachten Sie nun das folgende Dataset:
<ph type="x-smartling-placeholder"></ph>
Abbildung 3: Ein schwierigeres nicht lineares Klassifizierungsproblem.
Vielleicht erinnern Sie sich auch aus den Übungsreihen zu Funktionsverknüpfungen.
dass die Bestimmung des richtigen Merkmals sich überschneidet, um ein lineares Modell an diese Daten anzupassen.
etwas mehr Aufwand und Experimentierfreude.
Aber was wäre, wenn Sie nicht all die Experimente selbst durchführen müssten?
neuronale Netzwerke gehören zu einer Familie
von Modellarchitekturen,
die darauf ausgelegt sind,
nicht linear
Muster in Daten. Beim Training eines neuronalen Netzwerks
model automatisch
lernt die optimalen Funktionsverknüpfungen für die Eingabedaten, um
Verlust.
In den folgenden Abschnitten erfahren Sie, wie neuronale Netzwerke funktionieren.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 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."]]],[]]