《数据挖掘（完整版）》笔记——人工神经网络

人工神经网络

• 1. 感知机

1. 感知机

感知器模型的输出可以用如下数学方式表示：

$\hat y = sign(w_dx_d+w_{d-1}x_{d-1}+\cdots+w_2x_2+w_1x_1-t)=sign(w_dx_d+w_{d-1}x_{d-1}+\cdots+w_2x_2+w_1x_1+w_0x_0)=sign(\mathbf w \cdot \mathbf x)$

其中，$w_0=-t, x_0=1$
注：该公式所描述的感知器模型关于参数$\mathbf w$和属性$\mathbf x$是线性的

学习感知机模型

算法主要计算的是第7步中的权值更新公式：

$w_j^{(k+1} = w_j^{k}+\lambda(y_i-\hat{y_i^{(k)}})x_{ij}$

$w^{(k)}$是第 k 次循环后第 i 个输入链上的权值，参数$\lambda$称为学习率，$x_{ij}$是训练样例$\mathbf{x_i}$的第 j 个属性

如果$\lambda$接近0，那么新权值主要受旧权值的影响；相反，如果$\lambda$接近1，则新权值对当前循环中的调整量更加敏感。在某些情况下，可以使用一个自适应的$\lambda$值：$\lambda$在前几次循环时相对较大，而在接下来的循环中逐渐减小

来源：CSDN

作者：白羊_Aries

链接：https://blog.csdn.net/qq_38204302/article/details/104650299