الشكل 1. يشير ذلك المصطلح إلى مشكلة التصنيف غير الخطّي. لا يمكن للدالة الخطية
افصل جميع النقاط الزرقاء عن النقاط البرتقالية بسلاسة.
"غير خطي" يعني أنه لا يمكنك التنبؤ بدقة بتصنيف
للنموذج \(b + w_1x_1 + w_2x_2\). أو بعبارةٍ أخرى،
"مساحة القرار" ليس خطًا.
ومع ذلك، إذا أجرينا تقاطع خاصية على الميزتين $x_1$ و $x_2$، فيمكننا
ومن ثم تمثيل العلاقة غير الخطية بين العنصرين باستخدام
نموذج المساواة بين نقاط الاتصال:
$b + w_1x_1 + w_2x_2 + w_3x_3$ حيث $x_3$ هو تقاطع الميزة بين
$x_1$ و $x_2$:
الشكل 2. من خلال إضافة تقاطع الخصائص
x1x2، يمكن أن يتعلم النموذج الخطي
شكل زائدي يفصل النقاط الزرقاء عن النقاط البرتقالية.
ضع في اعتبارك الآن مجموعة البيانات التالية:
الشكل 3. تمثّل هذه السمة مشكلة أكثر صعوبة في التصنيف غير الخطي.
قد تتذكر أيضًا من تمارين متعددة الميزات
أن تحديد الميزة الصحيحة يتقاطع لملاءمة أي نموذج خطي مع هذه البيانات
واستغرقت المزيد من الجهد والتجربة.
ولكن ماذا لو لم تضطر إلى إجراء كل هذه التجارب بنفسك؟
الشبكات العصبونية هي عائلة
بنى النماذج المصممة لإيجاد
غير خطي
الأنماط في البيانات. فأثناء تدريب الشبكة العصبية، يطلق على
model تلقائيًا
تتعلم مواضع تقاطع الميزة المثلى لتؤدي إلى بيانات المدخلات لتقليل
الخسارة.
في الأقسام التالية، سنلقي نظرة عن كثب على آلية عمل الشبكات العصبونية.
