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 . به عبارت دیگر، «سطح تصمیم» یک خط نیست.
با این حال، اگر یک تلاقی ویژگی روی ویژگیهای و انجام دهیم، میتوانیم رابطه غیرخطی بین دو ویژگی را با استفاده از یک مدل خطی نشان دهیم: که در آن برابر است تلاقی ویژگی بین و :
شکل 2. با افزودن ویژگی متقاطع x1x2 ، 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. 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.
تاریخ آخرین بهروزرسانی 2024-11-07 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-11-07 بهوقت ساعت هماهنگ جهانی."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]