Rysunek 1. Problem z klasyfikacją nieliniową. Funkcja liniowa nie może
wyraźnie oddzielić wszystkie niebieskie kropki od pomarańczowych.
„Nielinearne” oznacza, że nie można dokładnie przewidzieć etykiety z
ma postać \(b + w_1x_1 + w_2x_2\). Innymi słowy,
"obszar decyzyjny" nie jest linią.
Jeśli jednak przeprowadzimy przekrój cech $x_1$ i $x_2$, możemy
następnie zdefiniuj zależność nieliniową między dwoma obiektami za pomocą
model liniowy:
$b + w_1x_1 + w_2x_2 + w_3x_3$, gdzie $x_3$ to przecięcie funkcji
$x_1$ i $x_2$:
Rysunek 2. Przez dodanie krzyżyków
x1x2, model liniowy może się uczyć
hiperboliczny kształt oddzielający niebieskie kropki od pomarańczowych.
Teraz przyjrzyjmy się temu zbiorowi danych:
Rysunek 3. Trudny problem z klasyfikacją nieliniową.
Być może warto też zapamiętać z ćwiczeń łączących cechy.
aby określenie właściwych cech przecinały się, aby dopasować model liniowy do tych danych
wymagało to więcej wysiłku
i eksperymentów.
Ale co by było, gdyby nie trzeba było samodzielnie przeprowadzać eksperymentów?
Sieci neuronowe to rodzina
architektur modeli zaprojektowanych pod kątem znajdowania
nieliniowe
w danych. Podczas trenowania sieci neuronowej
model automatycznie
uczy się optymalne krzyżówki cech, które będą działać na danych wejściowych, aby zminimalizować
straty.
W kolejnych sekcjach przyjrzymy się bliżej, jak działają sieci neuronowe.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 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."]]],[]]