人工神经网络回归 人工神经网络数据集

人工神经网络(Artificial Neural Networks,ANN)提供了一种普遍而有用的方法从例子中学习值为实数、离散值或向量的函数。

人工神经网络由一系列简单的单元相互密集连接构成，当中每个单元有一定数量的实值输入(可能是其它单元的输出)，并产生单一的实数值输出(可能成为其它单元的输入)。

适合神经网络学习的问题：

• 实例是非常多“属性-值”对表示的
• 目标函数的输出可能是离散值、实数值或者由若干实数或离散属性组成的向量
• 训练数据可能包括错误
• 可容忍长时间的训练
• 可能须要高速求出目标函数值
• 人类是否能理解学到的目标函数是不要重要的

感知器：

以一个实数值向量作为输入。计算这些输入的线性组合。然后假设结果大于某个阀值，就输出1，否则输出-1.更精确地，假设输入x1到xn,那么感知器计算的输出为：

当中每个w _i 是一个实数常量，或叫做权值（weight ），用来决定输入xi 对感知器输出的贡献率。
请注意。常量(w₀) 是一个阈值，它是为了使感知器输出 1 。输入的加权和w₁x₁+w₂x₂+...+w_nx_n必须超过的阈值。

(图片均搜于google)

为了简化表示。我们假想有一个附加的常量输入x₀=1。那么我们就能够把上边的不等式写成上图中的output函数。

学习一个感知器意味着选择权w0,……，wn的值。

感知器的表征能力：

我们能够把感知器看作是n维实例空间(即点空间)中的超平面决策面。

对于超平面一側的实例。感知器输出1，对于还有一側的实例输出-1。这个超平决策面的方程是

。

当然。某些正反例子集合不可能被任一超平面切割。那些能够被切割的成为线性可分(linearly separable)例子集合。

感知器训练法则：

从随机的权值開始，然后重复地应用这个感知器到每一个训练例子，仅仅要它误分类例子就改动感知器的权值。重复这个过程。知道感知器能正确分类全部的训练例子。
每一步依据感知器训练法则（perceptron training rule）来改动权值，也就是改动与输入 x_i 相应的权 w_i 法则例如以下：

当中：

这里t是当前训练例子的目标输出，O是感知器的输出（1或-1），η是一个正的常数称为学习速率（learning rate）学习速率的作用是缓和每一步调整权的程度。它通常被设为一个小的数值（比如0.1），并且有时会使其随着权调整次数的添加而衰减。

对于权值的调整是一例一调，也就是输入一个例子，就计算每一个Δw_i, 来调整w_i的值。一直训练到会收敛到一个能一个能正确分类全部训练例子的权向量，前提是训练例子线性可分，而且使用了充分小的η 。假设数据不是线性可分的，那么不能保证收敛。

梯度下降和delta法则：

如果训练样本不是线性可分的，那么delta法则会收敛到目标概念的最佳近似。delta法则的关键思想是使用梯度下降(gradient descent)来搜索可能的权向量的如果空间，以找到最佳拟合训练例子的权向量。这个法则为反向传播算法提供了基础，而反向传播算法可以学习多个单元的互联网络。

最好把delta训练法则理解为训练一个无阀值的感知器。也就是一个线性单元(linear unit)，他的输出例如以下：

。

总而言之，训练线性单元的梯度下降算法例如以下：

1. 选取一个初始的随机权向量
2. 应用线性单元到全部的训练例子
3. 依据以下的公式计算每一个权值的Δw_i
4. 通过加上Δw_i来更新每一个权值，然后反复这个过程