【机器学习】概率神经网络(PNN)的python实现

本文介绍了概率神经网络(PNN)的原理,包括贝叶斯决策和网络结构,并探讨了其优缺点。PNN利用Gauss函数计算测试样本与训练样本间的距离,适用于非线性逼近问题。在Python实现部分,文章展示了数据预处理、距离计算、Gauss函数应用及类别概率计算的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、概率神经网络原理

概率神经网络(Probabilistic Neural Network)的网络结构类似于RBF神经网络,但不同的是,PNN是一个前向传播的网络,不需要反向传播优化参数。这是因为PNN结合了贝叶斯决策,来判断测试样本的类别。

1.1、贝叶斯决策

假设对于测试样本 x x x,共有 m m m中类别可能 { w 1 , ⋯   , w m } \{ {w_1}, \cdots ,{w_m}\} { w1,,wm},则判断样本类别的贝叶斯决策是:

max ⁡ { p ( w 1 ∣ x ) , p ( w 2 ∣ x ) , ⋯   , p ( w m ∣ x ) } \max \{ p({w_1}\left| x \right.),p({w_2}\left| x \right.), \cdots ,p({w_m}\left| x \right.)\} max{ p(w1x),p(w2x),,p(wmx)}

1.2、PNN的网络结构

要介绍上述概率密度 p ( w i ∣ x ) p({w_i}\left| x \right.) p(wix)如何计算,首先要介绍PNN的网络结构。<

评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值