神经网络算法的优势与应用

CTO练习营 | 12月3-5日，深圳，是时刻成为优良的技巧治理者了

神经收集算法的优势与应用

人工神经收集（ANN）以大年夜脑处理机制造为基本，开辟用于建立复杂模式和猜测问题的算法。

起首懂得大年夜脑若何处理信息：

在大年夜脑中，稀有亿个神经元细胞，以电旌旗灯号的情势处理信息。外部信息或者刺激被神经元的树突接收，在神经元细胞体中处理，转化成输出场经由过程轴突,传递到下一?神经元。下一?神经元可以选择接收它或拒绝它，这取决于旌旗灯号的强度。

所以，必须预摆设 X。更接近 1 的猜测值注解客户更可能违约。

如今，让我们测验测验懂得 ANN 若何工作：

这里，$w_1$，$w_2$，$w_3$ 给出输入旌旗灯号的强度

与构造有关的要点：

收集架构有一个输入层，隐蔽层（1 个以上）和输出层。因为独裁构造，它也被称为 MLP（独裁感知机）。
隐蔽层可以被看作是一个「提炼层」，它大年夜输入中提炼一些重要的模式，并将其传递到下一层。经由过程大年夜省略冗余信息的输入中辨认重要的信息，使收集更快速和高效。
激活函数有两个明显的目标：
- 它捕获输入之间的非线性关系
- 它有助于将输入转换为更有效的输出。
- 在膳绫擎的例子中，所用的激活函数是 sigmoid：
- $$O_1=1+e^{-F}$$
- 个中$F=W_1*X_1+W_2*X_2+W_3*X_3$
- Sigmoid 激活函数创建一个在 0 和 1 之间的输出。还有其他激活函数，如：Tanh、softmax 和 RELU。
类似地，隐蔽层导致输出层的最终猜测：$$O_3=1+e^{-F_1}$$
个中$F_1=W_7*H_1+W_8*H_2$
这里，输出值（$O_3$）在 0 和 1 之间。接近 1（例如0.75）的值表示有较高的客户违约迹象。
权重 W 与输入有重要接洽关系。如不雅 $w_1$ 是 0.56，$w_2$ 是 0.92，那么在猜测 $H_1$ 时，$X_2$：Debt Ratio 比 $X_1$：Age 更重要。
上述收集架构称为「前馈收集」，可以看到输入旌旗灯号只在一个偏向传递（大年夜输入到输出）。可以创建在两个偏向上传递旌旗灯号的「反馈收集」。
一个高精度的模型给出了异常接近实际值的猜测。是以，在上表中，列 X 值应当异常接近于列 W 值。猜测误差是列 W 和列 X 之差：

大年夜膳绫擎可以看出，ANN 是一个异常简单的表示大年夜脑神经元若何工作的构造。

为了使工作变得更清楚，用一个简单的例子来懂得 ANN：一家银行想评估是否赞成贷款申请给客户，所以，它想猜测一?客户是否有可能违约贷款。它有如下数据：

基于如下例子的神经元构造，测验测验创建人造神经收集构造：

平日，上述示例中的简单 ANN 构造可所以：

获得一个精确猜测的好模型的关键是找到猜测误差最小的「权重 W 的最优值」。这被称为「反向传播算法」，这使 ANN 成为一种进修算法，因为经由过程大年夜缺点中进修，模型获得改进。
反向传播的最常见办法称为「梯度降低」，个中应用了迭代 W 不合的值，并对猜测误差进行了评估。是以，为了获得最优的 W 值，W 值袈溱小范围变更，并且评估猜测误差的影响。最后，W 的┞封些值被选为最优的，跟着W的进一步变更，误差不会进一步降低。要更具体地舆解解梯度降低，请参考：

http://www.kdnuggets.com/2017/04/simple-understand-gradient-descent-algorithm.html

神经收集的重要长处：

ANN 有一些关键优势，使它们最合适某些问题和情况：

ANN 有才能进修和构建非线性的复杂关系的模型，这异常重要，因为在实际生活中，很多输入和输出之间的关系长短线性的、复杂的。
ANN 可以推广，在大年夜初始化输入及其关系进修之后，它也可以揣摸出大年夜未知数据之间的未知关系，大年夜而使得模许可以或许推广并且猜测未知数据。
与很多其他猜测技巧不合，ANN 不会对输入变量施加任何限制（例如：若何分布）。此外，很多研究注解，ANN 可以更好地模仿异方差性，即具有高波动性和不稳定方差的数据，因为它具有进修数据中隐蔽关系的才能，而不在数据中强加任何固定关系。这在数据波动异常大年夜的金融时光序列猜测（例如：股票价格）中异常有效。

应用：

1/2 1 2 下一页尾页

　　推荐阅读

　　融合大势下，实体经济和科技创新如何进行“模式再造”？

CTO练习营 | 12月3-5日，深圳，是时刻成为优良的技巧治理者了海尔大年夜力履行“人单合一”模式和创客平台，走出一条传统企业引领立异的康庄大年夜道；万达在两年前启动重资产>>>详细阅读

本文标题：神经网络算法的优势与应用

地址：http://www.17bianji.com/lsqh/39358.html

1/2 1