Uma rede neural probabilística

 

Uma rede neural probabilística. Como funciona (não entendo). Como ajustar os pesos, etc. Em todos os lugares há uma descrição espacial. Você pode dizer ao aparelho matemático.

 
gumgum >>:

1)Вероятностная нейронная сеть. Как функционирует(не пойму).

2)Как настроить веса и т.д. Везде поверхостное описание. Можете рассказать мат. аппорат.

1) As Redes Neurais Probabilísticas (PNN) são as mesmas que as Multilayer Perspectron (MLP).


2) O aprendizado é o mesmo.


3) Em geral, esta multiplicidade de redes é apenas confusa. Na verdade, as redes estão divididas em:

a) pelo número de camadas ocultas

b) de acordo com a topologia dos elos, estrela, malha (e outras que vêm à mente)

c) por tipo de função de ativação em neurônios

d) Com ou sem feedbacks, com ou sem elos híbridos

e) a), b), c) e d) podem estar em uma rede.


não se preocupe muito com as definições.

 
Há uma busca no canto superior direito. Use-o.
 
Portanto, temos amostras n de A e k de B. Cada amostra tem um número z de parâmetros. Aparece um elemento desconhecido e temos que atribuí-lo a A ou B. Como fazemos isso? Tomar distância Euclidiana?
 
gumgum >>:
Вот у нас есть образцы n из A и k из B. каждый обр. обладает z кол-вом параметров. Появляется неизвестный элемент и нам надо его отнести к А или B. Ну и как? Евклидово расстояние брать?

em 2 palavras:

em um determinado ponto (vetor reconhecível) a atividade das funções radiais (potencial) é somada, primeiro somada sobre a classe A, depois sobre a classe B, a conclusão sobre a qual classe o vetor reconhecível pertence é feita comparando as somas (quem for o maior ganha).

2 joo:

A Rede Probabilística e o MLP são muito diferentes. De qualquer forma, o princípio por trás deles é diferente.

Outra coisa é que eu também não recomendo ficar atolado com grades diferentes, tudo o que é necessário é espremido fora de um MLP comum.

 

Você tem uma tarefa de classificação.

Para treinar a rede usamos exemplos, cuja resposta é 1 ou -1 (pertencente a A ou B)

Usaremos o sigmóide como uma função de ativação dos neurônios


Ela tem a forma:

Digamos que o espaço A contém todas as respostas 1, e o espaço B contém todas as respostas -1. Estes espaços não precisam necessariamente ser separados por uma linha reta (pode haver uma curva)

Todas as respostas que não cabem exatamente em A ou B com base nos atributos disponíveis (leitura - dados de entrada) serão dispostas em uma grade no espaço -1...1

com esta probabilidade:


PS Você sabia disso, não sabia?




 
joo >>:

У Вас задача классификации.

Для обучения сети используются примеры, ответ на который либо 1, либо -1 (принадлежность к А или В)

В качестве активационной функции нейронов используем сигмоиду


Имеет вид:

Скажем, к пространству А относятся все ответы 1, а к пространству В все ответы -1. Причем, эти пространства необязательно разделены четкой прямой линией (может быть и кривая)

Все ответы точно не попадающие ни в А ни в Б по имеющимся признакам (читаем - входные данные) будут расположены сеткой в пространстве -1...1

с вероятностью такой:


PS Вы же это знали, не так ли?





Eu acho que não se trata apenas da função de ativação
 
StatBars >>:

2 joo:

Вероятностная сеть и МЛП очень сильно различаются. Во всяком случае принцип у них заложен разный.

Другое дело что я тоже не рекомендую заморачивать на разных сетках, всё что нужно выжимается из обычного МЛП.

A pergunta era sobre o companheiro. As diferenças são por professor. PNN tem -1 e 1 respostas, tudo no meio é probabilidade de associação de classe, enquanto o MLP (MNN) tem -1 e 1 respostas durante todo o intervalo. A diferença está apenas no professor (dados de controle para aprendizagem), e as redes são as mesmas.

 
joo >>:

Вопрос был про мат аппарат. Различия у них по учителю. У PNN ответы -1 и 1, все что между ними - вероятность принадлежности к классу, а у MLP (MNN) ответы на всем промежутке -1 и 1. Разница только в учителе (контрольные данные для обучения), а сети одни и те же.

Não se trata apenas do professor. O princípio é diferente. MLP desenha linhas (hiperplanos) e círculos probabilísticos de desenho (hiperbolas).

Tomemos um exemplo simples:

Um perceptron linear apenas desenha uma linha e é isso, sua linha é infinita.

E o valor dos potenciais de ambas as classes será praticamente zero. Há alguma diferença?

 

Exemplo.

Você precisa organizar uma classificação, masculina ou feminina.

Existem tais sinais, o número de sinais corresponde ao número de neurônios na camada de entrada

1. Presença/ausência de características sexuais primárias.

2. Presença/ausência de características sexuais secundárias

3. Comprimento do cabelo

4. Largura do quadril

5. Largura dos ombros.

6. Presença de cabelos nas extremidades.

7. Presença de maquiagem.

Codificação das características na faixa -1...1.

Apresentar as redes ao ensinar 100% das características pertencentes ao sexo. Respostas -1 e 1.

Combinações de características darão respostas não "difusas", por exemplo (-0,8) corresponderá a 80% de probabilidade de ser mulher.