¿Para qué sirve la programación de redes neuronales Python?

Predictor

Las redes neuronales, como las computadoras, realizan cierto procesamiento en la entrada y la salida. Cuando no sabemos qué procesamiento específico es, podemos usar modelos para estimar, en su mayoría. Lo importante en el modelo son sus parámetros.

Para el conocimiento aprendido antes, se encuentran parámetros específicos, pero aquí el tamaño del valor de error se usa para guiar el ajuste de los parámetros varias veces.

Valor de error = valor verdadero - valor calculado

Clasificador

El predictor convierte la relación entre la entrada y la salida, y el clasificador combina los dos tipos de cosas Por separado, el propósito del predictor es encontrar la salida en línea recta, y el clasificador es encontrar la salida en dos categorías, una por encima y por debajo de la línea recta. Pero, de hecho, se trata de encontrar una pendiente adecuada (sólo considerando casos simples)

El valor de error E en el clasificador = el valor correcto esperado - el valor calculado basado en el valor estimado de A $ E = t-y \ quad E=(ΔA)x $Esto es para usar el valor de error E para obtener ΔA

ΔA=E/x

, y luego usar ΔA como la cantidad a ajuste la pendiente A de la línea divisoria

Pero habrá un problema, es decir, la línea recta final mejorada coincidirá estrechamente con la última muestra de entrenamiento. Myopia puede reconocer que las muestras de entrenamiento anteriores han sido ignoradas. por lo tanto, se debe adoptar un nuevo método: usar una fracción de ΔA Un valor cambiante, que no solo puede resolver el problema anterior, sino también restringir la influencia de errores y ruido de manera controlada. El método es el siguiente

ΔA=L(E/x)

L aquí se llama coeficiente de ajuste (tasa de aprendizaje)

El uso de la tasa de aprendizaje puede resolver los problemas anteriores, pero cuando los datos en sí son no dominado por un solo proceso lineal, un clasificador lineal simple aún no puede lograr la clasificación. En este momento, se deben usar múltiples clasificadores lineales para dividir (esta es la idea central de la red neuronal)