超级会员免费看
本文介绍了多层感知器（MLP）的概念，解释了为什么单层神经网络存在局限性，以及如何通过加入隐藏层增强非线性表达能力。详细阐述了MLP的全连接结构，并提到了反向传播算法在训练过程中的作用。通过构建MLP模型预测波士顿房价，验证了模型的改进效果。
一：引入
前文所讲到的波士顿房价预测案例中，涉及到的仅仅是一个非常简单的神经网络，它只含有输入层和输出层
但观察最终结果，我们发现仅含有单个输出层的神经网络其预测效果并不是很好，甚至有些结果预测得都不合理
- 这是因为：简单的神经网络或简单的线性运算是存在很大问题的，任何特征的（微小）变化都可能导致模型最终输出发生巨大变化
那如何解决这个问题呢？我们的想法就是在输入层和输出层之间加入单个或多个隐藏层，并且这些隐藏层上的神经元并非像之前那样只做简单的线性运算，而是线性运算后再经过一个激活函数的作用，这样一来整个模型就具有了更好的非线性表达能力了。隐藏层有了，该如何连接呢？最简单的想法就是进行全连接，也即每一层神经元都接受上一层所有神经元的输入，然后输出给下一层的所有神经元，我们将这种结构称之为多层感知器（MLP）（又叫做人工神
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
