一个训练的很快的模型——极限学习机

目录

模型介绍

模型参数

模型应用

一、分类模型

二、回归模型

你有没有过这样的经历：训练数据量大的模型时，要等上十几分钟甚至半小时？

但有这样一种模型，面对普通数据集分类时，往往能在几秒内就能完成训练，预测精度还不输支持向量机（SVM）和神经网络——它就是极限学习机（ELM）。

今天我们就来好好聊聊这个“快得离谱”的模型，从原理到代码一次讲明白。

模型介绍

极限学习机是2006年由黄广斌教授团队提出的单隐层前馈神经网络改进模型，和传统神经网络比，它的“快”藏在核心设计里：

训练逻辑大不同：传统神经网络要反复调整输入层→隐层、隐层→输出层的所有参数，而ELM只需要固定输入层到隐层的权重（甚至随机生成就行），只优化隐层到输出层的参数。这一步直接把复杂的迭代优化变成了“求解线性方程组”，速度自然飙升。

结构不复杂但够用：基本结构就三层——输入层接收数据，隐层用激活函数（比如sigmoid、ReLU）做非线性映射，输出层直接算结果。不用像深度学习那样堆层数，小数据集上反而更灵活，还不容易过拟合。

简单说：传统神经网络是“精雕细琢慢工出细活”，ELM是“抓重点快刀斩乱麻”，适合追求效率。