Rysunek 1. Problem z klasyfikacją nieliniową. Funkcja liniowa nie może wyraźnie oddzielić niebieskich punktów od pomarańczowych.
„Nielinearne” oznacza, że nie można dokładnie przewidzieć etykiety z
ma postać \(b + w_1x_1 + w_2x_2\). Innymi słowy, „powierzchnia decyzji” nie jest linią.
Jeśli jednak wykonamy krzyżowanie cech $x_1$ i $x_2$, możemy przedstawić nieliniową zależność między tymi cechami za pomocą modelu liniowego:
$b + w_1x_1 + w_2x_2 + w_3x_3$, gdzie $x_3$ to cecha krzyżowania cech $x_1$ i $x_2$:
Rysunek 2. Przez dodanie krzyżyka
x1x2, model liniowy może się uczyć
hiperboliczny kształt oddzielający niebieskie kropki od pomarańczowych.
Weź pod uwagę ten zbiór danych:
Rysunek 3. Trudny problem z klasyfikacją nieliniową.
Być może warto też zapamiętać z ćwiczeń obejmujących różne cechy.
aby określenie właściwych cech przecinały się, aby dopasować model liniowy do tych danych
wymagało to więcej wysiłku
i eksperymentów.
Co jednak, jeśli nie musisz przeprowadzać wszystkich eksperymentów samodzielnie?
Sieci neuronowe to rodzina
architektur modeli zaprojektowanych pod kątem znajdowania
nonlinear
w danych. Podczas trenowania sieci neuronowej model automatycznie uczy się optymalnych przecięć cech, które mają być wykonywane na danych wejściowych, aby zminimalizować straty.
W kolejnych sekcjach przyjrzymy się bliżej działaniu sieci neuronowych.
[[["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: 2025-07-27 UTC."],[[["\u003cp\u003eThis module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation.\u003c/p\u003e\n"],["\u003cp\u003eYou will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss.\u003c/p\u003e\n"],["\u003cp\u003eAdditionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches.\u003c/p\u003e\n"],["\u003cp\u003eThis module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data.\u003c/p\u003e\n"]]],[],null,[]]
