机器学习之神经网络简介：剖析

如果您还记得特征组合这一单元的话，就会发现以下分类问题属于非线性问题：

图 1.非线性分类问题。

“非线性”意味着您无法使用形式为

b + w_1x_1 +w_2x_2

的模型准确预测标签。也就是说，“决策面”不是直线。之前，我们了解了对非线性问题进行建模的一种可行方法-特征组合。
现在，请考虑以下数据集；

图 2.更难的非线性分类问题

图 2 所示的数据集问题无法用线性模型解决。
为了了解神经网络可以如何帮组解决非线性问题，我们首先用图表呈现一个线性模型：

图 3.用图表呈现的线性模型

每个蓝色圆圈均表示一个输入特征，绿色圆圈表示各个输入的加权和。
要提高此模型处理非线性问题的能力，我们可以如何更改它？

隐藏层

在下图所示的模型中，我们添加了一个表示中间值的“隐藏层”。隐藏层中的每个黄色节点均是蓝色输入节点值的加权和。

图 4.两层模型的图表。

此模型是线性的吗？是的，其输出仍是其输入的线性组合。
在下图所示的模型中，我们有添加了一个表示加权和的“隐藏层”。

图 5.三层模型的图表

此模型仍是线性的吗？是的，没错。当您将输出表示为输入的函数并进行简化时，您只是获得输入的另一加权和而已。该加权和无法对图 2 中的非线性问题进行有效建模。

激活函数

要对非线性问题进行建模，我们可以直接引入非线性函数。我们可以用非线性函数将每个隐藏层节点像管道一样连接起来。
在下图所示的模型中，在隐藏层 1 中的各个节点的值传递到下一层进行加权求和之前，我们采用一个非线性函数对其进行转换。这种非线性函数称为激活函数。

图 6.包含激活函数的三层模型的图表

现在，我们已将添加了激活函数，如果添加层，将会产生更多的影响。通过在非线性上堆叠非线性，我们能够对输入和预测输出之间及其复杂的关系进行建模。简而言之，每一层均可通过原始输入有效学习更复杂、更高级别的函数。

常见激活函数

以下 S 型激活函数将加权和转换为介于 0 和 1 之间的值。

F(x) = \dfrac{1}{1 + e^{-x} }

曲线图如下：

图 7.S型激活函数

相较于 S 型函数等平滑函数，以下修正线性单元激活函数（简称 *ReLU *）的效果通常要好一点，同时还非常易于计算。

F(x) = max(0,x)

ReLU 的优势在于它基于实证发现（可能由 ReLU 驱动），拥有更实用的响应范围。S 型函数的响应性在两端相对较快地减少。

本作品采用《CC 协议》，转载必须注明作者和本文链接