感知学习规则

Question

我是机器学习和数据科学的新手。通过花一些时间在网上，我能够相当好地理解感知器学习规则。但我仍然不知道如何将它应用于一组数据。例如，我们可能分别有以下x_1、x_2和d值：-

\begin{align}&(0.6 , 0.9 , 0)\\ &(-0.9 , 1.7 , 1)\\ &(0.1 , 1.4 , 1)\\ &(1.2 , 0.9 , 0)\end{align}

我想不出怎么开始。

我认为我们需要遵守这些规则。

W_i = W_i + \Delta W_i

\Delta W_i = \eta(d_i - y_i)

\text{ If} y_i = \sum w_ix_i \ge 0, y = 1$ \text{ else} y=0

x_0 (\text{Bias}) = 0

其中d_i是目标值，y_i是输出值。

\eta

是学习率，x_i是输入值。

任何帮助都是非常感谢的。谢谢!

Answer 1

你不想遵守那些规则。你有你的观察矩阵，你乘以一个权重矩阵，在这个矩阵中，最初所有的权重都是随机分配的。权重矩阵就是以这种方式组成的:每一列表示一个神经元和行，这些行是将特征乘以的权重。如果你有k层，你就会有k个权重矩阵。在每次迭代中，DL框架允许您做什么(您不希望手动完成)，将实际目标与您的预测进行比较，并计算成本函数(预测与真实的距离有多远？)。然后对权值进行导数计算，证明了最陡下降的方向是通过修正权值W_i = W_i + \Delta W_i (其中：\Delta W_i = n(d_i - y_i) )得到的。它以这种方式进行，您定义了许多迭代。我希望我给你一个提示，让你明白它是如何工作的。