关于神经网络的一点理解

1.为什么使用神经网络

因为在最简单的异或问题上，一个简单的线性分类器都搞不定了。而神经网络相当于多个线性分类边界的整合。具有更优秀的能力。

【异或问题】如果a、b两个值不相同，则异或结果为1。如果a、b两个值相同，异或结果为0。
异或也叫半加运算，其运算法则相当于不带进位的二进制加法：二进制下用1表示真，0表示假，则异或的运算法则为：0⊕0=0，1⊕0=1，0⊕1=1，1⊕1=0（同为0，异为1），这些法则与加法是相同的，只是不带进位。

其中，每个直线代表一个分类器，给出一次分类结果。然后，在下一层中，根据这些初次分类得到的结果，再进行一次分类【本例中取交即可】

总结一下：单隐层的神经网络可以实现and和or功能，双【多】隐层的神经网络可以实现任何功能。

2.神经网络为何每层都要有一个激励函数？

试想如果从输入层到隐层之间没有一个“非线性变换”函数，那么每次从层1到层2经过一层权值，再从层2到层3 经过一层权值，这两层权值【两个矩阵】可以乘在一起，相当于没有这个必要了。

3.理论上来说，用两个隐层的神经网络可以解决任何分类问题？

是的，可以看到每个层实际上是画了一条线，那么只要“这个隐层的神经元的个数非常多”但是这个训练不如我们“把层拉伸，”

4.GBDT许多连续值不离散化的

我的目的就是为了找那个断点。树类型的分类器。所以许多并不离散化。
为什么会用GBDT+LR来组合使用，因为GBDT可以用来构造特征

5.神经网络的特征许多都是人不可以理解的特征

类似于人的“潜意识里”的特征。输入到softmax里的特征，很难从物理上得到一个结论。

6.普通分类和图像分类的区别？

普通分类器：数据归一化，训练集上数据归一化，拿到系数之后也要用到测试集上。

7.神经网络做回归？

一般情况下，回归问题比较难做。但凡有想法的话，一般都希望把回归问题转化为分类问题。怎么转？