神經網路在分類中如何發揮作用？

神經網路是一系列演算法，旨在透過模擬人腦工作方式的過程來識別資料集中的基本關係。這種方法中，神經網路定義了神經元系統，無論是生物的還是人工的。

神經網路是根據認知系統學習過程和大腦神經功能（假設的）建模的分析技術，能夠在實施所謂的從現有資訊中學習的過程後，根據其他觀察結果預測新的觀察結果（關於特定變數）。神經網路是資料探勘技術之一。

神經網路是一組演算法，旨在透過模擬人腦運作方式的過程來識別資料集中的基本關係。從這個意義上說，神經網路定義了神經元系統，例如生物的或人工的。

在幾乎所有預測變數（自變數，輸入）和預測變數（因變數，輸出）之間存在關係的情況下，神經網路都適用，即使這種關係難以用“相關性”或“組間差異”的通用術語來表達。

神經網路是由模擬神經元組成的網路，用於識別模式例項。神經網路透過搜尋網路權重區域來學習。

神經網路是一組連結的輸入/輸出單元，每個連結都有與其相關的權重。在學習過程中，網路透過調整權重來學習，從而能夠預測輸入樣本的準確類別標籤。由於單元之間的連線，NN學習也稱為連線學習。

神經網路需要長時間的訓練樣本，由於很難解釋學習權重後的符號意義，因此其可解釋性較差。這些特性最初使得神經網路在資料探勘中不太引人注目。

神經網路具有很高的容忍噪聲資料的能力，以及對未經訓練的模式進行分類的能力。已經開發出各種演算法來從訓練好的神經網路中提取規則。這些因素有助於神經網路在資料探勘分類中的便利性。

在工程中，神經網路作為模式分類器和非線性自適應濾波器發揮著兩個重要作用。人工神經網路是一個靈活的、通常是非線性的系統，它可以從資料中學習實現一個函式（輸入/輸出對映）。自適應是指系統引數在執行過程中發生變化，通常稱為訓練階段。

訓練階段結束後，人工神經網路引數保持不變，系統被設定為解決手頭的問題（測試階段）。人工神經網路是透過一個系統的逐步階段開發的，以提高效能測試或遵循一些隱含的內部約束，這通常定義為學習規則。

Ginni

更新於：2022年2月15日

206 次瀏覽

啟動你的職業生涯

完成課程獲得認證

開始學習