شبکه های عصبی

ممکن است از تمرین‌های متقاطع ویژگی در ماژول داده‌های دسته‌بندی به یاد بیاورید که مشکل طبقه‌بندی زیر غیرخطی است:

شکل 1. صفحه مختصات دکارتی، به چهار ربع تقسیم شده، که هر ربع با نقاط تصادفی به شکلی شبیه مربع پر شده است. نقاط در ربع بالا سمت راست و پایین سمت چپ آبی و نقاط در ربع بالا سمت چپ و پایین سمت راست نارنجی هستند.
شکل 1. مسئله طبقه بندی غیرخطی. یک تابع خطی نمی تواند تمام نقاط آبی را از نقاط نارنجی جدا کند.

"غیرخطی" به این معنی است که شما نمی توانید برچسب را با مدلی از فرم به طور دقیق پیش بینی کنید \(b + w_1x_1 + w_2x_2\). به عبارت دیگر، «سطح تصمیم» یک خط نیست.

با این حال، اگر یک تلاقی ویژگی روی ویژگی‌های $x_1$ و $x_2$ انجام دهیم، می‌توانیم رابطه غیرخطی بین دو ویژگی را با استفاده از یک مدل خطی نشان دهیم: $b + w_1x_1 + w_2x_2 + w_3x_3$ که در آن $x_3$ برابر است تلاقی ویژگی بین $x_1$ و $x_2$:

شکل 2. همان صفحه مختصات دکارتی از نقاط آبی و نارنجی مانند شکل 1. با این حال، این بار یک منحنی هذلولی سفید در بالای شبکه رسم شده است که نقاط آبی را در ربع بالا-راست و پایین-چپ (اکنون سایه دار) جدا می کند. با پس‌زمینه آبی) از نقطه‌های نارنجی در ربع بالا سمت چپ و پایین سمت راست (اکنون با پس‌زمینه نارنجی سایه زده شده‌اند).
شکل 2. با افزودن ویژگی متقاطع x 1 x 2 ، مدل خطی می تواند یک شکل هذلولی را بیاموزد که نقاط آبی را از نقاط نارنجی جدا می کند.

اکنون مجموعه داده زیر را در نظر بگیرید:

شکل 3. صفحه مختصات دکارتی، به چهار ربع تقسیم شده است.       یک خوشه دایره ای از نقاط آبی در مرکز نمودار قرار دارد و توسط حلقه ای از نقاط نارنجی احاطه شده است.
شکل 3. یک مسئله طبقه بندی غیرخطی دشوارتر.

همچنین ممکن است از تمرین‌های متقاطع ویژگی به یاد بیاورید که تعیین تلاقی‌های صحیح ویژگی برای تطبیق یک مدل خطی با این داده‌ها کمی تلاش و آزمایش بیشتری می‌طلبد.

اما اگر مجبور نباشید خودتان این همه آزمایش را انجام دهید چه؟ شبکه‌های عصبی خانواده‌ای از معماری‌های مدل هستند که برای یافتن الگوهای غیرخطی در داده‌ها طراحی شده‌اند. در طول آموزش یک شبکه عصبی، مدل به طور خودکار تلاقی های ویژگی بهینه را برای انجام روی داده های ورودی برای به حداقل رساندن تلفات می آموزد.

در بخش‌های بعدی، نگاهی دقیق‌تر به نحوه عملکرد شبکه‌های عصبی خواهیم داشت.