神经网络算法的优点及应用

< > >
人工神经网络(ANN)基于大脑处理机制,开发复杂的模式和预测问题的算法。
首先了解大脑是如何处理信息的:
在大脑中,有数以百万计的神经元细胞,以电信号处理信息的形式存在。外部信息或刺激由神经元的树突接收,在神经元的细胞体中加工并转化为输出并通过轴突进入下一个神经元。下一个神经元可以选择接受或拒绝它,这取决于信号的强度。



现在,让我们来了解一下人工神经网络是如何工作的:


这里,w_1美元美元美元美元w_2,

w_3美元美元,输入信号的强度
从上面可以看出,安是一个非常简单的大脑神经元如何工作的结构。
为了使事情更清楚,我们用一个简单的例子来理解人工神经网络:一个银行想评估是否批准贷款给客户,所以它想预测一个客户是否有可能拖欠贷款。它有以下数据:


因此,必须预测列x。对1的预测接近,表明客户更有可能违约。
是基于下面的神经元结构示例,试图创建一个人工神经网络结构:


通常,上面例子中简单的人工神经网络结构可以是:


>强>结构相关的关键点: > > > >

网络结构有输入层、隐含层(大于1)和输出层。由于多层结构,它也被称为MLP(多层感知器)。
隐藏层可以看作是一个“精炼层”,它从输入中提取一些重要的模式,并将其传递给下一层。从冗余信息的输入中识别重要信息,使网络更快、更高效。
激活函数有两个不同的目的:

    它捕捉输入之间的非线性关系。
    它有助于将输入转换成更有用的输出。
    在上面的例子中,激活函数被乙状结肠所使用。
    o_1美元= 1 + E ^ { F } $ >
    $ F = w_1 * x_1 + w_2 * x_2 + w_3 * x_3 $ >
    乙状结肠激活函数在0到1之间创建一个输出。还有其他的激活功能,如Tanh,softmax,和热鲁。

    类似于,导致隐层输出层的最终预测:$ o_3 = 1 + E ^ { - f_1 } $ >
    f_1美元= w_7 * h_1 + w_8 * h_2 $ >
    在这里,输出值(美元o_3美元)是0和1之间。接近1的值(例如,0.75)表示默认的更高的客户标志。
    重量w与输入有着重要的关系。如果w_1美元美元美元美元0.56,w_2是0.92,然后在h_1美元美元美元美元的预测,x_2:负债率比美元更重要:年龄x_1美元。
    李的网络结构被称为“前馈网络”,可以看出输入信号只在一个方向(从输入到输出)传递。你可以创建一个“反馈网络”,向两个方向发送信号。
    高精度模型给出的预测值与实际值非常接近。因此,在上表中,列x值应该非常接近列w值。预测误差是列w和列x之间的差异:<
    >

    获得准确预测模型的关键是寻找最小预测误差的“权w”最优值。这被称为“反向传播算法”,它使神经网络成为学习算法,因为该模型是从错误中学习改进的。
    最常见的

    资料全部来自网络,如果有问题可以发邮件到站长邮箱