BP神经网络:
1、input layer:输入数据
2、Hidden layer :负责增加它的计算能力;怎么解决问题的能力。层数越多计算能力越强。
3、output layer :做决策
注意事项:
1、隐藏层越多,过拟合发生。神经元之间通过神经键做连接。
2、接收非数值数据
3、隐藏层的个数是输出层*输入层开根号。
4、神经元个数越少越好。
5、全连接、前馈、训练的时候从右->左
搭建神经网络
1、数据展示
2、确认层数和每层的节点
3、训练
4、结果
Bias:原始的态度。初始值。
An example:
w/b随机给。
求出误差偏微分求导。对W和b进行调整。
学习速率:小的话学的速度比较慢。大的话学得快。
神经网络:分类、预测。
注意事项:
1、Sigmoid函数x在-5到+5之间。
2、BP神经网络做数字预测时,对数据的处理:对连续型数据必须正规化.(-1,1)之间,类别要进行摊平处理。
3、BP神经网络:每个连续属性做极值正规化。甚至是目标属性。
4、记得还原预测的数据。
神经网络的优点:
1、准确度高
2、做测试数据的时候,预测效率高。
缺点;
1、训练数据学习的时间很长。
2、很难理解权重(黑盒子)
3、很难和领域做结合 。(纯数学的模型)