24、大数据分析中的神经网络与概率学习算法

大数据分析中的神经网络与概率学习算法

1. 神经网络算法概述

神经网络算法是机器学习中受人类大脑神经结构启发的方法。它主要由输入层、隐藏层和输出层构成。
- 输入层 ：作为网络的第一层，接收输入数据并将其传递到第一个隐藏层。输入层神经元的数量由数据的输入特征决定。
- 隐藏层 ：位于输入层和输出层之间，承担着神经网络中的大部分计算任务。每个隐藏层神经元接收前一层的输入，并使用非线性激活函数生成输出。隐藏层的数量和每层的神经元数量是超参数，可以进行调整以提升网络性能。
- 输出层 ：是网络的最后一层，根据输入和网络学习到的参数进行预测或分类。在分类问题中，输出层神经元的数量由类别数量决定；在回归任务中，则由输出变量的数量决定。

1.1 常见的神经网络类型

1.1.1 前馈神经网络（FNN）

前馈神经网络中信息从输入层单向流向输出层，没有循环或反馈链接，结构简单。它由多层相连的节点（人工神经元）组成，每个神经元接收输入、分配权重，并使用激活函数生成输出，直到最终输出层给出网络的预测结果。FNN常用于分类和回归任务。

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([输入层]):::s