建站
咨詢
售后
建站咨詢
新聞中心
神經(jīng)網(wǎng)絡在機器學習中有很大的應用，甚至涉及到方方面面。本文主要是簡單介紹一下神經(jīng)網(wǎng)絡的基本理論概念和推算。同時也會介紹一下神經(jīng)網(wǎng)絡在數(shù)據(jù)分類方面的應用。
成都做網(wǎng)站、成都網(wǎng)站建設,成都做網(wǎng)站公司-創(chuàng)新互聯(lián)建站已向上千多家企業(yè)提供了,網(wǎng)站設計,網(wǎng)站制作,網(wǎng)絡營銷等服務!設計與技術結合,多年網(wǎng)站推廣經(jīng)驗,合理的價格為您打造企業(yè)品質(zhì)網(wǎng)站。
首先，當我們建立一個回歸和分類模型的時候，無論是用最小二乘法(OLS)還是***似然值(MLE)都用來使得殘差達到最小。因此我們在建立模型的時候，都會有一個loss function。
而在神經(jīng)網(wǎng)絡里也不例外，也有個類似的loss function。
對回歸而言：
對分類而言：
然后同樣方法，對于W開始求導，求導為零就可以求出極值來。
關于式子中的W。我們在這里以三層的神經(jīng)網(wǎng)絡為例。先介紹一下神經(jīng)網(wǎng)絡的相關參數(shù)。
***層是輸入層，第二層是隱藏層，第三層是輸出層。
在X1，X2經(jīng)過W1的加權后，達到隱藏層，然后經(jīng)過W2的加權，到達輸出層
其中，
我們有：
至此，我們建立了一個初級的三層神經(jīng)網(wǎng)絡。
當我們要求其的loss function最小時，我們需要逆向來求，也就是所謂的backpropagation。
我們要分別對W1和W2進行求導，然后求出其極值。
從右手邊開始逆推，首先對W2進行求導。
代入損失函數(shù)公式：
然后，我們進行化簡：
化簡到這里，我們同理再對W1進行求導。
我們可以發(fā)現(xiàn)當我們在做bp網(wǎng)絡時候，有一個逆推回去的誤差項，其決定了loss function 的最終大小。
在實際的運算當中，我們會用到梯度求解，來求出極值點。
總結一下來說，我們使用向前推進來理順神經(jīng)網(wǎng)絡做到回歸分類等模型。而向后推進來計算他的損失函數(shù)，使得參數(shù)W有一個***解。
當然，和線性回歸等模型相類似的是，我們也可以加上正則化的項來對W參數(shù)進行約束，以免使得模型的偏差太小，而導致在測試集的表現(xiàn)不佳。
Python 的實現(xiàn)：
使用了KERAS的庫
解決線性回歸：
- model.add(Dense(1, input_dim=n_features, activation='linear', use_bias=True))
- # Use mean squared error for the loss metric and use the ADAM backprop algorithm
- model.compile(loss='mean_squared_error', optimizer='adam')
- # Train the network (learn the weights)
- # We need to convert from DataFrame to NumpyArray
- history = model.fit(X_train.values, y_train.values, epochs=100,
- batch_size=1, verbose=2, validation_split=0)
解決多重分類問題：
- # create model
- model = Sequential()
- model.add(Dense(64, activation='relu', input_dim=n_features))
- model.add(Dropout(0.5))
- model.add(Dense(64, activation='relu'))
- model.add(Dropout(0.5))
- # Softmax output layer
- model.add(Dense(7, activation='softmax'))
- model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
- model.fit(X_train.values, y_train.values, epochs=20, batch_size=16)
- y_pred = model.predict(X_test.values)
- y_te = np.argmax(y_test.values, axis = 1)
- y_pr = np.argmax(y_pred, axis = 1)
- print(np.unique(y_pr))
- print(classification_report(y_te, y_pr))
- print(confusion_matrix(y_te, y_pr))
當我們選取***參數(shù)時候，有很多種解決的途徑。這里就介紹一種是gridsearchcv的方法，這是一種暴力檢索的方法，遍歷所有的設定參數(shù)來求得***參數(shù)。
- from sklearn.model_selection import GridSearchCV
- def create_model(optimizer='rmsprop'):
- model = Sequential()
- model.add(Dense(64, activation='relu', input_dim=n_features))
- model.add(Dropout(0.5))
- model.add(Dense(64, activation='relu'))
- model.add(Dropout(0.5))
- model.add(Dense(7, activation='softmax'))
- model.compile(loss='categorical_crossentropy', optimizeroptimizer=optimizer, metrics=['accuracy'])
- return model
- model = KerasClassifier(build_fn=create_model, verbose=0)
- optimizers = ['rmsprop']
- epochs = [5, 10, 15]
- batches = [128]
- param_grid = dict(optimizer=optimizers, epochsepochs=epochs, batch_size=batches, verbose=['2'])
- grid = GridSearchCV(estimator=model, param_gridparam_grid=param_grid)
- grid.fit(X_train.values, y_train.values)
文章標題：機器學習之神經(jīng)網(wǎng)絡及Python實現(xiàn)
當前路徑：http://www.5511xx.com/article/dpjcgoj.html
