Anda mungkin ingat dari Latihan persilangan fitur di Modul data kategoris, bahwa masalah klasifikasi berikut adalah nonlinear:
"Nonlinear" berarti Anda tidak dapat memprediksi label secara akurat dengan label model bentuk \(b + w_1x_1 + w_2x_2\). Dengan kata lain, "permukaan keputusan" bukanlah garis.
Namun, jika kita melakukan persilangan fitur pada fitur $x_1$ dan $x_2$, kita bisa kemudian merepresentasikan hubungan nonlinier antara kedua fitur menggunakan model linear: $b + w_1x_1 + w_2x_2 + w_3x_3$ di mana $x_3$ adalah persilangan fitur antara $x_1$ dan $x_2$:
Sekarang perhatikan {i>dataset<i} berikut ini:
Anda mungkin juga ingat Latihan silang fitur yang menentukan persilangan fitur yang tepat untuk menyesuaikan model linear dengan data ini membutuhkan lebih banyak usaha dan eksperimen.
Tetapi bagaimana jika Anda tidak perlu melakukan semua eksperimen itu sendiri? Jaringan neural adalah kelompok arsitektur model yang dirancang untuk menemukan nonlinear pola yang berbeda dalam data. Selama pelatihan jaringan neural, model secara otomatis mempelajari persilangan fitur yang optimal untuk dijalankan pada data input guna meminimalkan kerugian.
Di bagian berikut, kita akan melihat lebih dekat cara kerja jaringan neural.