神经网络的偏置神经元是否等同于线性回归的y截距？
神经网络的偏置神经元并不等同于线性回归的y截距。虽然它们在某种程度上都可以被视为模型中的偏置项，但它们在不同的上下文中有着不同的含义和作用。
在神经网络中，偏置神经元是一种特殊类型的神经元，其作用是引入一个常数偏移量，以调整模型的输出。偏置神经元的值不依赖于输入数据，而是通过训练过程中学习得到的。它可以看作是神经网络中每个层的偏移量，用于调整每个神经元的激活值。偏置神经元的引入可以增加模型的灵活性，使其能够更好地拟合数据。
而线性回归的y截距是线性回归模型中的一个参数，表示当自变量为0时，因变量的预测值。它代表了线性回归模型在y轴上的截距位置。线性回归模型的预测值是通过自变量的线性组合加上截距得到的。
尽管偏置神经元和线性回归的y截距都可以看作是模型中的偏置项，但它们的作用和计算方式是不同的。神经网络中的偏置神经元是通过学习得到的，用于调整每个神经元的激活值；而线性回归的y截距是模型中的一个参数，用于表示模型在y轴上的截距位置。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云神经网络相关产品：https://cloud.tencent.com/product/nn
- 腾讯云人工智能相关产品：https://cloud.tencent.com/solution/ai
相关·内容
1回答
我听说每种不同的分类算法都可以用神经网络结构来表示。Logistic回归、SVM(支持向量机)、ELM(极限学习机)等不同算法如何表示为神经网络？有办法将分类算法的矢量方程转化为神经网络结构吗？
浏览 0提问于2019-11-07得票数 2
回答已采纳
1回答
用于线性回归的神经网络
、、、、
我找到了一个非常棒的源代码，它完全符合我所需要的模型：
重要的部分是这样的。
你有一个x->y图，每个x值都是“特征”的总和，或者我将如何表示它们，z。
因此x->y图的回归线应该是函数，其中h(x)是回归线( h(SUM(z(subscript-i)) )
在这种神经网络中，其思想是以最小化最小平方误差的方式为每个z-value分配一个权重。
梯度函数用于更新权重以最小化误差。我相信我可能返回到错误的传播--我更新了权重。
所以我写了一些代码，但是我的权重没有被正确更新。
我可能只是误解了斯坦福帖子中的一个规范，所以这就是我需要你帮助的地方。有没有人可以验证我是否正确地实现了这个
浏览 1提问于2016-02-03得票数 0
1回答
人工神经网络绕过隐层输入
、、、
我刚刚被安排了一项任务来计算一些人工神经网络的输出，并编写一个人工神经网络。简单的事情，以前做过，所以我不需要任何帮助的一般安的东西。然而，有件事让我很困惑。在分配中，拓扑如下(不上传图表，因为这是他的知识产权)：-
2层，3个隐层，1个输出。
输入x1转到两个隐藏节点和输出节点。
输入x2转到两个隐藏节点。
问题是永远如此常见的异或。他以前没有提到过这种拓扑结构，我肯定每次演讲都听得很认真。我是个很好的学生。)
我不认为这算家庭作业，因为我不需要帮助手头的实际任务。
任何关于为什么会使用这样一个拓扑的网络的洞察力都是很棒的。
问候
浏览 3提问于2013-10-30得票数 2
回答已采纳
1回答
多浮子输出的神经网络
、、、
我有一个数据集，包含40个输入列和12个输出列(浮点数)。
我认为这是一个回归问题，我想知道如何选择理想的神经网络结构，我没有找到多输出的神经网络回归的例子，那么正确的方法是什么呢？
浏览 0提问于2018-02-13得票数 3
1回答
Logistic回归和线性回归是神经网络的特例吗？ 请说明我是否可以认为这句话是正确的。
浏览 30提问于2020-04-24得票数 1
回答已采纳
在自组织映射方法中，每个输出单元称为神经元.但是，在阅读了算法的细节之后，我找不到任何逻辑回归单元，即神经网络体系结构中的神经元。我发现它更接近于find等聚类算法。
有什么解释吗?为什么SOM单位被称为神经元？以及为什么它与神经网络相关联(而ANN做的工作则完全不同，即分类)
P.S.：在本文(https://ieeexplore.ieee.org/document/6007170/)中，SOM被称为人工神经网络。以下是摘要中的一句话：
SOM是一种人工神经网络，它使用无监督数据进行训练，在单元图中生成训练样本输入空间的低维离散表示。
浏览 0提问于2018-06-04得票数 1
回答已采纳
我想训练一个神经网络与神经网络包在R-但不使用偏置节点。
我想我应该在某种程度上使用exclude参数，但我不知道如何使用。
我的问题
例如，如何训练一个有6个输入神经元、3个隐藏神经元和7个输出神经元的模型--但没有任何偏置神经元？
浏览 2提问于2016-11-16得票数 3
回答已采纳
本着著名的Tensorflow Fizz Buzz笑话和异或问题的精神，我开始思考，是否可以设计一个实现y = x^2函数的神经网络？
给定一个数字的某些表示(例如，作为二进制形式的向量，因此数字5被表示为[1,0,1,0,0,0,0,...])，在这种情况下，神经网络应该学会返回它的平方- 25。
如果我能实现y=x^2，我可能可以实现y=x^3和x的任何多项式，然后用泰勒级数，我可以近似y=\sin(x)，这将解决Fizz问题--一个可以找到除法剩余部分的神经网络。
很明显，NNs的线性部分不能执行这个任务，所以如果我们能够进行乘法，它就会发生，这要归功于激活函数。
你能提出任何关于主题的
浏览 0提问于2019-03-22得票数 17
回答已采纳
3回答
神经网络开发
、、、
我试着写一个神经网络类，但我不完全理解它的某些方面。我有两个关于折叠设计的问题。
我做得对吗？偏置神经元需要连接到所有神经元(输入层除外)还是仅连接隐藏层中的神经元？
我的第二个问题是关于产值的计算。我用下面的方程来计算神经元的输出值。
HiddenLayerFirstNeuron.Value = (input1.Value *权重)+ (input2.Value *权重)+ (Bias.Value *权重)
在这个方程之后，我计算激活，结果发送输出。输出神经元也是如此。
我不知道我在做什么，我想解决问题。
浏览 8提问于2016-11-24得票数 0
2回答
我正在用Math.NET进行简单的线性回归。
我在下面提供了一个通用代码示例。除了这个例子，还可以使用Fit类进行简单的线性回归。
另外，我想要的是指定额外的约束，比如固定的y-截距，或者强制fit通过一个不动点，例如(2，2)。如何在Math.NET中实现这一点？
var xdata = new double[] { 10, 20, 30 };
var ydata = new double[] { 15, 20, 25 };
var X = DenseMatrix.CreateFromColumns(new[] {new DenseVector(xdata.Length, 1), new
浏览 3提问于2014-06-16得票数 5
我已经看到神经网络的权值被初始化为随机数，所以我很好奇为什么逻辑回归的权重被初始化为零？
浏览 0提问于2017-09-10得票数 13
回答已采纳
我试图对自己的神经网络进行编码，但有些东西我对偏见术语不太理解。我知道一个神经元与另一个神经元之间的每一个环节都有一个权重，但是一个偏倚和它所连接的神经元之间是否有一个权重呢？或者我能想到重量总是1，而且永远不会改变吗？
谢谢
浏览 3提问于2015-12-25得票数 2
回答已采纳
我对MatLab非常陌生。我在MatLab中完成了用神经网络建立非线性回归模型的任务.
我需要创建一个两层神经网络：
第一层是具有乙状结肠激活功能的N个神经元。
第二层是具有一个神经元和线性激活函数的层。
下面是我实现网络的方式：
net = network(N, 2);
net.layers{1}.transferFcn = 'logsig';
net.layers{1}.size = N
net.layers{2}.size = 1;
这个实现是正确的吗？如何将线性激活函数赋给第二层？
浏览 0提问于2015-04-09得票数 0
1回答
我理解偏置节点在神经网络中的作用，以及为什么在小网络中转移激活函数很重要。我的问题是:偏差在非常大的网络中仍然很重要(更具体地说，使用ReLu激活函数、3个卷积层、2个隐藏层和超过10万个连接来识别图像的卷积神经网络)，还是会因为激活次数的增加而失去影响？
我之所以问这个问题，是因为在过去，我建立了一个网络，在这些网络中我忘记了实现一个偏置节点，但是在添加一个节点后，性能上的差异却是微不足道的。这可能是偶然的结果吗，因为具体的数据集不需要偏见？在大型网络中，我是否需要用更大的值初始化偏倚？如有任何其他建议，将不胜感激。
浏览 3提问于2014-09-11得票数 8
回答已采纳
1回答
神经网络线性与非线性
、、、
我打电话是对的吗？
一个只有输入和输出层(sigmoid)为线性的神经网络(因为它是logistic回归)。
一种具有多个隐层的神经网络，非线性(因为权值与隐层的输出相互作用，并且在线性回归中无法像op = w2x1+w2x2+b那样写入输出)？
请不要将此标记为重复，因为没有一个问题实际上回答了这里提出的问题。谢谢。
浏览 0提问于2021-06-18得票数 1
回答已采纳
1回答
我想知道:在多层前馈神经网络中，输入层是否应该包括一个偏置神经元，或者这在隐藏层中是有用的？如果有，原因何在？
浏览 2提问于2011-08-30得票数 10
回答已采纳
1回答
我们在神经网络中有权值和优化器。
为什么我们不能只输入，然后应用激活，估计损失和最小化它？
为什么我们需要做W*输入+ b？
谢谢你的回答！
浏览 4提问于2017-02-06得票数 3
回答已采纳
8回答
我对机器学习和神经网络很陌生。我知道如何建立一个非线性分类模型，但我目前的问题有一个连续的输出。我一直在寻找关于神经网络回归的信息，但我所遇到的只是关于线性回归的信息--没有关于非线性情况的信息。这很奇怪，因为为什么会有人用神经网络来解决简单的线性回归呢？这不就像用核弹杀死苍蝇吗？
所以我的问题是:是什么使神经网络非线性？(隐藏层？非线性激活函数？)或者我对“线性”这个词有一个完全错误的理解--线性回归神经网络能够准确地建模出比y=aX+b更复杂的数据集吗？“线性”一词是否与“逻辑”相反？
(我计划使用TensorFlow，但TensorFlow线性模型教程以二进制分类问题为例，因此这对我也没
浏览 12提问于2016-12-20得票数 37
回答已采纳
1回答
扩展：
对python进行多元多项式回归的简单方法是什么？
比方说，我们有N个样本，每个样本都有3个特征，每个样本都有40个响应变量(当然，也可以是任意数字，但在我的例子中是40 )。我们想要建立一个函数，把这3个自变量和40个响应变量联系起来。为此，我们在N-1样本上建立了一个多项式模型，并估计了其余一个样本的40个响应变量。自变量(X)和响应变量(y)训练和测试数据的维度：
X_train = [(N-1) * 3], y_train = [(N-1) * 40], X_test = [1 * 3], y_test = [1 * 40]
正如我所期望的那样，这种做法应该产生：
y = in
浏览 0提问于2018-07-11得票数 1
1回答
如果有2个输入(X1和X2)和1个目标输出(t)需要神经网络估计(每个节点有6个样本)：
X1 = [2.765405915 2.403146899 1.843932529 1.321474515 0.916837222 1.251301467];
X2 = [84870 363024 983062 1352580 804723 845200];
t = [-0.12685144347197 -0.19172223428950 -0.29330584684934 -0.35078062276141 0.03826908777226 0.06633047875487];
我试图通过手动使用
浏览 1提问于2015-06-05得票数 1
回答已采纳
2回答
我一直在用神经网络做一些研究，整个概念和理论对我来说是有意义的。虽然我还没有找到答案，但有一个问题是，一个神经网络应该使用多少个神经元。取得适当的/有效的结果。包括隐层，每个隐层的神经元，等等。更多的神经元需要更准确的结果(同时对系统造成更大的负担)，还是更少的神经元仍然足够？是否有某种管理规则来帮助确定这些数字？它是否取决于在神经网络中实现的训练/学习算法的类型。它是否取决于向网络显示的数据/输入的类型？
如果能更容易地回答这些问题，我很可能会使用前馈和反向传播作为训练和预测的主要方法。
另外，是否有一种预测算法/触发规则或学习算法通常被重新划分为“最佳/最实用”，或者这也取决于向网络显示的
浏览 4提问于2012-06-25得票数 5
我有一个控制人造食草动物的人工神经网络。输入是最接近的植物的大小和方向，最接近的配偶的大小和方向，以及食草动物的健康状况。输出是一个运动矢量(方向和大小)。如果是由遗传算法训练的，有必要使用偏差吗？
浏览 6提问于2012-01-20得票数 4
回答已采纳
1回答
如果我有一个具有任意数量层的人工神经网络，而最后一个(退出)节点只接受3个输入(1，x1，x2)，那么如果前面的隐藏层有4个节点，意味着它创建了4个到最后一个节点的连接，我该怎么办。我应该忽略% 1吗？或者我必须强制最后一层有3个节点？
如果最后一个隐藏层只有2个或1个节点，我也很难处理这个问题。
我知道这不是一个真正的编程问题，但我并不是很难编程(到目前为止)只是处理这些问题。
所以，是的，这个想法是用户可以告诉我隐藏层的数量和每层的节点数量。
浏览 4提问于2011-05-04得票数 2
回答已采纳
1回答
线性回归系数与地块不匹配
、、、
我的代码有点问题，我看不见。
我试图用一些数据进行线性回归。到目前为止，我使用的是np.polyfit()和sklearn LinearRegression()。这两种回归都有效，但当我进行绘图时，我可以看到拦截系数与图所显示的不匹配，老实说，我不知道为什么。
下面是我的代码：
# Using np.polyfit()
x_to_plot = np.array([3.1685206 , 2.25510996, 2.96102541, 2.88536998, 3.19026643,
3.35665069, 3.62661427, 3.19285197,
浏览 3提问于2022-07-04得票数 1
回答已采纳
2回答
我试图在我的神经网络中添加一个偏置神经元，它使用反向传播算法。我想弄清楚我该怎么做，我应该把偏置神经元当作一个常规神经元吗？这意味着它与前一层的神经元相连？
浏览 0提问于2020-12-20得票数 1
2回答
我试图理解“反向传播”，因为它是使用梯度下降优化的神经网络。读一读文学作品，似乎做了几件事。
使用随机权重开始并获取错误值。
对损失函数执行梯度下降，使用这些权重来获得新的权重。
用这些新的权重更新权重，直到损失函数最小化为止。
上述步骤似乎是线性模型的精确求解过程(例如，回归)。安德鲁·吴的“机器学习课程”与线性回归课程完全一样。
所以，我想弄清楚BackPropagation对损失函数是否做了比梯度下降更多的事情。如果没有，为什么只在神经网络中引用，为什么不引用GLMs (广义线性模型)。他们似乎都在做同样的事-我可能错过了什么？
浏览 11提问于2016-06-28得票数 4
回答已采纳
1回答
我有两个(线性)图，我对它们进行了线性回归，只需说：figure(3);plotregression(a,b);
它工作得很好，但我想找出回归线的斜率。我知道我的图中y轴上提到的斜率(或m值)，但它不是很精确。而不是0.98，而是1。
有没有我可以写的代码来获得回归的m/斜率的更精确的值？一切都已经计划好了。
浏览 1提问于2015-02-05得票数 0
我是AI和神经网络的新手。我读过一些关于如何在python中从头开始构建神经网络的文章，所以我决定构建自己的神经网络。 我的代码由一个没有训练函数的NN类组成，该函数在层中是动态的。但每次我用随机数测试它时，预测总是大于0.7。 我做错了什么？ 一点信息: layers_counts是每层神经元计数的整数列表，如 (第1层:5个神经元，第2层:3个神经元。-> 5、3) import numpy as np
class NeuralNetwork:
def __init__(self, inputs_count, layers_counts, bias=0):
浏览 23提问于2021-08-27得票数 0
回答已采纳
关于如何用高斯归一化来规范回归神经网络的输入/输出，我对此有很大的了解。均值-标准差归一化技术
最重要的是，我从哪些数据中恢复正常？
让我解释一下：
假设我有两个输入神经元，两个隐藏神经元，一个输出神经元的训练数据：
[input1 : 10][input2: 5]
[input1: 30][input2: 255]
我是按列(神经元)进行规范化，还是根据所有输入数据进行规范化？是输入神经元的平均值1=
(10+30)/2
或
(10+30+5+255)/4 ?
使用典型的XOR示例(只有1s和0在traning数据中)来尝试这两种奇怪的结果，其中我在规范化时实际上失去了很高的准确性。
浏览 6提问于2014-08-18得票数 0
回答已采纳
1回答
如果我们有一个神经网络，比如多层感知器反向传播神经网络，它使用了σ逻辑激活函数，是否有可能将网络输出提供给它，并让它重新计算一组输入？由于我们可以通过使用自然对数和逆操作来反转激活函数，直到我们有一个由所有权重乘以其输入组成的和值，因此我认为至少可以获得将生成指定输出值的可能输入集。
浏览 2提问于2011-07-28得票数 16
回答已采纳
我在一个大型数据集上进行了线性支持向量机，但是为了减少我执行PCA的维数，而不是对分量分数的子集进行支持向量机(前650个分量解释了99.5%的方差)。现在，我想用在PCA空间中生成的支持向量机的beta权值和偏差来绘制原始变量空间中的决策边界。但我不知道如何将支持向量机的偏差项投影到原始变量空间中。我用fisher虹膜数据编写了一个演示来说明：
clear; clc; close all
% load data
load fisheriris
inds = ~strcmp(species,'setosa');
X = meas(inds,3:4);
Y = species(
浏览 4提问于2017-03-27得票数 0
回答已采纳
我目前正在学习神经网络，我在互联网上看到了关于权重和输入矩阵维度的相互矛盾的解释。我只想知道是否有比其他人更多人使用的惯例。
目前，我定义了输入矩阵X，其维度为：
(男x n)
其中m是样本数，n是特征数。
我用维数来定义我的权重矩阵：
(a X b)
其中a是层中的神经元数目，b是最后一层中的神经元数。
这是常规做法还是我该改变什么？
浏览 0提问于2020-07-06得票数 1
回答已采纳
2回答
因此，对于我正在制作的应用程序，我使用的是tf.keras.models.Sequential。我知道机器学习有线性和多元线性回归模型。在序列的中，该模型是一层线性叠加。这等于多元线性回归吗？我能找到的线性层叠层的唯一解释是关于堆栈溢出的问题。
def trainModel(bow,unitlabels,units):
x_train = np.array(bow)
print("X_train: ", x_train)
y_train = np.array(unitlabels)
print("Y_train: ", y_tra
浏览 2提问于2019-05-06得票数 1
回答已采纳
1回答
我刚刚开始学习神经网络，到目前为止，我对机器学习的知识只是线性和logistic回归。根据我对后一种算法的理解，在给定输入倍数的情况下，学习算法的工作是为每一输入求出适当的权重，从而最终得到一个多项式，该多项式可以描述线性回归情况下的数据，也可以像logistic回归那样分离数据。如果我在神经网络中代表同样的机制，根据我的理解，它会是这样的，
输入层的多个节点和输出层中的单个节点。在这里，我可以将错误按比例传播到每个输入。最后，我到达了一个多项式X1W1 + X2W2+....XnWn，它描述了数据。在我看来，除了输入层，每个层有多个节点，似乎使学习过程并行，这样我就可以更快地到达结果。这几
浏览 1提问于2016-12-31得票数 5
1回答
我参加了一些机器学习的在线课程，总的来说，建议是为一个神经网络选择随机权重，以确保你的神经元不会都学习相同的东西，打破对称性。
然而，在其他情况下，我看到人们使用零权重进行初始化。不幸的是，我不记得那些是什么了。我认为这可能是非神经网络的情况，像一个简单的线性或逻辑回归模型(简单的权重只对输入，直接导致一个输出)。
这些情况对零初始化安全吗？或者，我们是否也可以在这些情况下使用随机初始化，以保持一致性？
浏览 0提问于2018-04-29得票数 7
1回答
在回归问题的神经网络中，我们发现连续标号与输出激活函数一致，即在使用logistic sigmoid时对它们进行规范化，或者在使用tanh时对它们进行调整规范化。在最后，我们可以恢复原来的范围，但使输出神经元恢复正常。
我们是否也应该规范输入特性？又是如何做到的？例如，如果隐藏激活与输出激活不同？例如，如果隐藏激活是TANH，而输出激活是逻辑的，那么应该将输入特征归一化为0、1或-1间隔吗？
浏览 4提问于2013-10-11得票数 3
回答已采纳
假设存在二进制分类问题和相对较小的数据集($\sim \mathbb{R}^{5000 \x39}$)。通过使用常用的ML技术，从logistic回归开始，根据模型的不同，我可以在验证样本上达到~0.76~0.79 AUC。因此，从模型中可以明显地提取出一些重要的信号。
然而，当尝试一个最简单的顺序神经网络时，它根本不学习。
也就是说，使用R：(NB: AFAIK )中的keras语言不应该是个问题，因为它只是R的包装)
model <- keras_model_sequential() %>%
layer_dense(units = 48,
浏览 0提问于2018-06-25得票数 3
我想了解什么是最好的方法是对一个经过训练的TensorFlow神经网络进行进一步的回归分析。
具体来说，我正在研究如何从经过训练的神经网络中找到进一步的最大值/极小值(相当于从回归曲线中求出max/min )。简单的方法显然是“尝试”所有可能的组合，并检查结果集的最大值/分钟，但是当有多个输入和因变量时，测试所有组合很快就会成为一个巨大的资源接收器。
有没有办法使用经过训练的TensorFlow神经网络来进行这些进一步的分析？
浏览 7提问于2016-07-06得票数 0
回答已采纳
假设我有一个密集层的神经网络。输入层有3个神经元，单个隐层有5个神经元，最后输出层有2个神经元。
对于第1层，3个输入进入，5个输入输出。对于第二层，来自第1层的5个输入进入，2个输入输出。那么对于第三层，会有2个输入进入，2个输入输出吗？
浏览 0提问于2021-01-10得票数 0
回答已采纳
2回答
好的，让我在序言中说，我很清楚这取决于许多因素，我正在寻找一些有经验的人的一般指导方针。
我的目标是而不是，建立一个能为我计算数字平方的神经网络，但我认为这将是一个很好的实验，看看我是否正确地实现了反向传播算法。这看起来是个好主意吗？无论如何，我担心我没有正确地实现学习算法(完全)。
我的测试(结果)：
训练数据：使用.001和.999随机生成500个随机数
网络拓扑结构：3层有1个输入神经元，5个隐神经元，1个输出神经元
权重:所有生成的-1到1之间的随机值(java.util.Random.nextDouble() *2-1；)
使用偏置节点：(numOfInputs +
浏览 5提问于2015-06-06得票数 3
作为深层次学习世界的新手，在阅读了许多理论之后，我试图了解神经网络是如何实际学习的，所以我提供了一个简单的数据集，其中输入列是[x，x+y.]和输出列[x/(x+y).]并且尝试使用tflearn，但即使经过无数次尝试(2天)，网络也无法将损失降到最低。即使在最小化之后(在添加tanh层之后)，网络预测也是遥不可及的。有人能帮我吗？下面是密码。
neural_net = tflearn.input_data(shape=[None, 2])
neural_net = tflearn.fully_connected(neural_net, 1,
activation='linear&
浏览 0提问于2018-02-08得票数 0
回答已采纳
4回答
我一直在阅读关于神经网络的一般知识，并试图理解其背后的基本理论。我有点困惑，想知道是否有人能帮我。
我理解神经网络的方式如下：
输入层+隐藏层+输出层，其中每个层都有节点或神经元。每个神经元从前一层的所有神经元获得输入，并发送到下一层的每个神经元。然后说，神经元计算权重之和，然后使用激活函数来激发或不触发(或发送一个介于0和1之间的数字)。
让我困惑的是它是如何计算权重之和的？
在上面的图中，我创建了一个简单的神经网络，并像Andrew在他的演讲中所做的那样，将输入称为输入(Youtube)。
因此，取第1层中的神经元a1 :这将得到0层的值a1和a2，以及相应的权重和偏差，它们将被
浏览 0提问于2018-04-18得票数 3
回答已采纳
我不是R专家，我得和R一起做些事情...但即使是在简单的任务中我也做得很好。如果这是一个基本的问题，我很抱歉，但我在stackoverflow中没有看到任何像我这样的问题。
我在R中使用ggplot2和predict()时遇到了麻烦。
如果有人能帮助我，我将不胜感激
setwd("/home/kaihami/Desktop/Python/RR_Bioinfo/")
library("ggplot2")
data_total <- data.frame(bac, Phylum, Domain, CDS, Total)
#model (Tota
浏览 1提问于2015-05-21得票数 2
1回答
我被赋予一个目标函数来设计神经网络和训练：(y = (x1∧x2)∨(x3∧x4))
输入数和输出数似乎很明显(4和1)。训练数据可以使用真值表。
然而，为了训练成一个多层人工神经网络，我需要选择多个隐藏单元。我可以知道在哪里可以找到一些一般的指导方针吗？
谢谢!
浏览 0提问于2015-03-04得票数 4
我使用R包的递归特征消除‘插入’线性回归很好地解决我的问题，因此，我使用函数= lmFuncs暗示我的控制函数。但是我想在没有拦截的情况下再次测试这个设置，这有可能吗？
我现在的代码是：
control <- rfeControl(functions = lmFuncs
, verbose = FALSE
)
results <- rfe(df_train
, df_train
, rfeControl=control
)
浏览 2提问于2020-09-23得票数 0
1回答
我用神经网络预测PM10浓度(一个回归问题)。由于包装方法依赖于模型，因此通过对数据集中所有特征进行优化的神经网络模型将不能正常工作(因为包装器每次减少数据集中的特征，就必须重新调整神经网络的隐层大小)。
所以我的问题是，我可以使用嵌入方法(Lasso)作为包装方法中的估计量吗？
这是我要问的特性选择部分：
from mlxtend.feature_selection import SequentialFeatureSelector
feature_selector = SequentialFeatureSelector(LassoCV(),
k_features=3,
浏览 0提问于2019-09-01得票数 0
回答已采纳
1回答
密集层如何改变来自LSTM层的输出？从前一层的50个形状的输出中，我如何从用于预测的密集层获得大小为1的输出？假设我有一个基本模型： model = Sequential()
model.add(LSTM(50,input_shape=(60,1)))
model.add(Dense(1, activation="softmax")) 密集层是否采用来自前一层的值，并分配50个输入中每一个的概率(使用softmax函数)，然后将其作为输出？
浏览 16提问于2019-09-01得票数 1
回答已采纳
目的:求回归线(多变量超平面)的系数。最能模拟数据的方法。我们把这个叫做w
在以下方面有何区别：
1)使用MAP估计：w=(XX^T+\lambda I )^{-1}Xy^T，其中X是输入的训练数据，y是训练的输出。
和
2)使用神经网络进行回归(我不知道这是如何实现的)
(以及用于线性回归的任何其他方法)
浏览 0提问于2018-11-09得票数 2
在logistic回归中使用正则化参数C(见)，使函数的拟合得到很好的定义，避免过拟合或step函数的问题(见)。
然而，logistic回归中的正则化应该只考虑特征的权重，而不是截距(这里还解释了：)。
但似乎sklearn.linear_model.LogisticRegression实际上也规范了拦截。原因如下：
1)仔细考虑上面的链接()：sigmod稍微向左移动，靠近拦截0。
2)尝试用logistic曲线和人工最大似然函数拟合数据点。将截距包含到L2范数中，得到与sklearn函数相同的结果。
请提出两个问题：
1)我是否弄错了，这是一个错误，还是有充分的理由使拦截正规化？
( 2
浏览 7提问于2017-11-02得票数 4
回答已采纳
回归的问题是最小化平方误差之和，即\sum\limits_{i=1}^n (y_i - \hat{y}_i)^2 = 0。但是，只有在线性回归中，才能使用表达式\hat{y}_i = \beta_0 + \beta_1.x_i，然后将平方误差之和降到最小。\beta_0和\beta_1可以获得以下约束：
\begin{align*} \sum\limits_{i=1}^n x_i(y_i - \hat{y}_i) &= 0 \\ \sum\limits_{i=1}^n \hat{y}_i(y_i - \hat{y}_i) &= 0 \end{align*}
然后利用这些约束条
浏览 0提问于2021-05-21得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
