Doğrusal regresyondan bahsediyorsunuz. Bu, benzer bir hızlı optimizasyon algoritmasına sahip olan lojistik regresyon ile ilgilidir . Bir sınıflandırma problemi gibi hedef değerler üzerinde sınırlarınız varsa, lojistik regresyonu doğrusal regresyonun bir genelleştirmesi olarak görebilirsiniz.
Yapay sinir ağları, orijinal girişlerdeki lojistik regresyondan kesinlikle daha geneldir, çünkü bu, gizli düğümlü bir atlama katmanı ağına (girişleri çıkışlara doğrudan bağlayan bağlantılara) karşılık gelir .0
gibi özellikler eklediğinizde , bu tek bir gizli katmandaki birkaç gizli düğüm için ağırlık seçmeye benzer. Tam olarak bir yazışma yoktur, çünkü sigmoidlerle gibi bir fonksiyonun modellenmesi birden fazla gizli nöron alabilir. Bir sinir ağını eğitirken, daha iyi olma potansiyeline sahip kendi gizli gizli saklı ağırlıklarını bulmasına izin verirsiniz. Aynı zamanda daha fazla zaman alabilir ve tutarsız olabilir. Ekstra özelliklerle birlikte lojistik regresyona bir yaklaşımla başlayabilir ve gizli-giriş ağırlıklarını yavaşça eğitebilirsiniz ve bu sonuçta ilave özelliklerle birlikte lojistik regresyondan daha iyi yapmalıdır. Soruna bağlı olarak, eğitim süresi ihmal edilebilir veya yasaklayıcı olabilir. 1 - 1 x 3x31−1x3
Bir ara strateji, bir sinir ağı başlatırken ne olduğuna benzer çok sayıda rastgele düğüm seçmek ve gizli giriş ağırlıklarını düzeltmektir. * - Çıkış ağırlıkları üzerindeki optimizasyon doğrusal kalır. Buna aşırı öğrenme makinesi denir . En azından orijinal lojistik regresyon kadar çalışır.