msssssss的博客

前面我们介绍到多层感知机的模型，多层感知机通过增加隐藏层和数据激活的方法，将原来线性不可分的问题得到处理，然后利用了一个简单的神经网络的模型，实现了一个手写数字数据集的分类的问题。但是简单的三层网络对于数据分类的结果似乎并不尽如人意，如前面的三层的神经网络仅仅可以将数据集的分类结果提升到84% 左右。这与现在网络的主流结果是相差甚远的。那么一个非常直观的想法就是，既然增加网络的隐藏层可以提升网络的非线性程度，那么如果我们用两个隐藏层、三个隐藏层、甚至多个隐藏层来处理这类数据的划分问题效果会不会更好呢？那么

文章目录线性回归描述何时使用线性回归？基本数学模型损失函数最小二乘机器学习基本模型线性回归描述线性回归的实质是通过一个线性函数能够较好的描述所给的数据特征。例如，下图所给的数据，通过房子的大小来预测房子的销售均价。根据现实生活中的经验，房子越大，那么每平米的房子价格会更贵一点，但是两者又不是一个纯粹的线性关系，不能用具体的函数描述。那么如果我现在手上有一个某大小的房子，我该怎么设置他的定价最合适呢？我们可以通过线性回归的方式，来寻找一个较优的函数来描述这种现有的数据，虽然不是精确地，但是是我在

文章目录多层感知机（multi layer perception, MLP ）反响传播算法（Back propagation）前一篇文章中我们提到单层感知机网络被局限在解决传统的是非问题，当面对异或这类问题时则显得无能为力，为了解决这一问题，人们通过增加网络层数来提升神经网络解决问题的能力。这就是我们今天要讲到的多层感知机以及用来在多层感知机中用来实现权重迭代的方法—BP（Back propag...

文章目录神经元单层感知机激活函数多输出感知机单层感知机的几何意义神经网络的起源是人们力图寻找或者构建一种结构来模拟人脑神经元的功能，并最终达到模拟人脑进行工作甚至达到仿真人的级别。实际上现行的神经网络已经沦为一种算法，该算法与其他算法最主要的区别是能够很好的处理高度非线性问题。现在对于神将网络的研究主要集中在两个方面，一是挖掘算法的深度，也就是不断地优化改进算法，提出新方法以满足现有的生活实际需...