Sinir ağında yeniyim ve sinir ağlarını sınıflandırma problemlerinde neyin bu kadar iyi kıldığını matematiksel olarak anlamaya çalışıyorum.
Küçük bir sinir ağı örneğini (örneğin, 2 girişli, gizli bir katmanda 2 düğüm ve çıkış için 2 düğümlü) örnek alarak, tek yapmanız gereken çıkışta çoğunlukla doğrusal bir kombinasyon üzerinde sigmoid olan karmaşık bir işlevdir. sigmoid.
Peki, bu onları tahminlerde nasıl iyi yapar? Son işlev bir çeşit eğri uydurmasına yol açar mı?
Yanıtlar:
Sinir ağları sınıflandırmada iyidir. Bazı durumlarda öngörüye kadar iner, ancak ille de olmaz.
Sinir ağlarının sınıflandırılmasında ustalaşmasının matematiksel nedeni evrensel yaklaşım teoremidir . Bu, bir sinir ağının kompakt bir alt kümedeki sürekli gerçek değerli herhangi bir işleve yaklaşık olabileceğini belirtir. Yaklaşmanın kalitesi nöron sayısına bağlıdır. Ayrıca nöronları mevcut katmanlara eklemek yerine ek katmanlara eklemenin yaklaşık kaliteyi daha hızlı artırdığı gösterilmiştir.
Buna, geri yayılım algoritmasının iyi anlaşılmayan etkinliğini ekleyin ve bir kurulumunuz var, aslında UAT'ın vaat ettiği işlevi veya yakın bir şeyi öğrenebilirsiniz.
Sinir Ağlarında her şeyi yüksek boyutta ele alıyoruz ve onları küçük değişikliklerle sınıflandıran bir köprü bulmaya çalışıyoruz ...
Muhtemelen çalıştığını kanıtlamak zordur, ancak sezgi sınıflandırılabilirse rahat bir uçak ekleyerek yapabilir ve yerel bir optimum bulmak için veriler arasında hareket etmesine izin verebilir ...
Neural Networks ile verileri sınıflandırırsınız. Doğru sınıflandırırsanız, gelecekteki sınıflandırmaları yapabilirsiniz.
Nasıl çalışır?
Perceptron gibi basit sinir ağları, verileri sınıflandırmak için bir karar sınırı çizebilir .
Örneğin basit bir sinir ağı ile basit VE problemini çözmek istediğinizi varsayalım. X1 ve x2 içeren 4 örnek veriniz ve w1 ve w2 içeren ağırlık vektörünüz var. Başlangıçtaki ağırlık vektörünün [0 0] olduğunu varsayalım. NN algoritmasına bağlı hesaplama yaptıysanız. Sonunda, bir ağırlık vektörüne [1 1] veya bunun gibi bir şeye sahip olmalısınız.
Lütfen grafiğe odaklanın.
Diyor ki: Giriş değerlerini iki sınıfa (0 ve 1) sınıflandırabilirim. Tamam. Peki bunu nasıl yapabilirim? Çok basit. İlk toplam giriş değerleri (x1 ve x2).
0 + 0 = 0
0 + 1 = 1
1 + 0 = 1
1 + 1 = 2
Diyor ki:
toplam <1.5 ise, sınıfı 0 olur
toplam> 1.5 ise, sınıfı 1'dir
Sinir ağları çeşitli görevlerde mükemmeldir, ancak tam olarak nedenini anlamak için, sınıflandırma ve daha derinlere dalma gibi belirli bir görevi almak daha kolay olabilir.
Basit bir ifadeyle, makine öğrenme teknikleri, geçmiş örneklere bağlı olarak, belirli bir girdinin hangi sınıfa ait olduğunu tahmin etme işlevini öğrenir. Sinir ağlarını ayıran şey, verilerdeki karmaşık kalıpları bile açıklayabilen bu işlevleri inşa etme yetenekleridir. Bir sinir ağının kalbi, Relu gibi bir aktivasyon fonksiyonudur, bu da aşağıdaki gibi bazı temel sınıflandırma sınırlarını çizmesine izin verir:
Bu tür yüzlerce Relus'u bir araya getirerek, sinir ağları rastgele karmaşık sınıflandırma sınırları oluşturabilir, örneğin:
Bu makalede, sinir ağlarının çalışmasını sağlayan şeyin arkasındaki sezgiyi açıklamaya çalışıyorum: https://medium.com/machine-intelligence-report/how-do-neural-networks-work-57d1ab5337ce