Esta página foi traduzida pela API Cloud Translation.

Redes neurais

Talvez você se lembre da Exercícios de cruzamento de atributos no módulo de dados categóricos, que o seguinte problema de classificação não é linear:

Figura 1. Plano de coordenadas cartesiano, dividido em quatro
quadrantes, cada um preenchido com pontos aleatórios em uma forma semelhante a uma
quadrado. Os pontos no quadrante superior direito e inferior esquerdo são azuis,
e os pontos nos quadrantes superior esquerdo e inferior direito são laranja. — **Figura 1.** Problema de classificação não linear. Uma função linear não pode separe claramente todos os pontos azuis dos pontos laranjas.

"Não linear" significa que não é possível prever um rótulo com precisão modelo do formulário $b + w_1x_1 + w_2x_2$ . Em outras palavras, o "superfície de decisão" não é uma linha.

No entanto, se realizarmos um cruzamento de atributos em nossos atributos $x_1$ e $x_2$ , poderemos depois representam a relação não linear entre os dois atributos usando uma modelo linear: $b + w_1x_1 + w_2x_2 + w_3x_3$ , em que $x_3$ é o cruzamento de atributos $x_1$ e $x_2$ :

Figura 2. O mesmo plano de coordenadas cartesianos em azul e laranja
pontos, como na Figura 1. No entanto, desta vez uma curva hiperbólica branca
plotado em cima da grade, que separa os pontos azuis no canto superior direito
e quadrantes inferiores esquerdos (agora sombreados por um plano de fundo azul) de
os pontos laranjas nos quadrantes superior esquerdo e inferior direito (agora
sombreado com um fundo laranja). — **Figura 2.** Ao adicionar o cruzamento de atributos, x₁x₂, o modelo linear pode aprender uma forma hiperbólica que separa os pontos azuis dos pontos laranjas.

Agora considere o seguinte conjunto de dados:

Figura 3. Plano de coordenadas cartesiano, dividido em quatro quadrantes.
Um aglomerado circular de pontos azuis está centralizado na origem do
gráfico e cercado por um anel de pontos laranja. — **Figura 3**. Um problema de classificação não linear mais difícil.

Talvez você também se lembre dos exercícios de cruzamento de atributos que determinar os cruzamentos de atributos corretos para ajustar um modelo linear a esses dados exigia um pouco mais de esforço e experimentação.

Mas e se você não tivesse que fazer todos os experimentos por conta própria? Redes neurais são uma família de arquiteturas de modelo projetadas para encontrar não linear padrões nos dados. Durante o treinamento de uma rede neural, model automaticamente aprende os cruzamentos de atributos ideais para realizar nos dados de entrada para minimizar e perda de talentos.

Nas seções a seguir, vamos analisar mais de perto como as redes neurais funcionam.

Teste seus conhecimentos (10 min)

nós e camadas escondidas (15 min)