機械学習におけるパーセプトロン アルゴリズムの応用

Perceptron さまざまなバイナリ ソート タスクの教師あり学習のための機械学習アルゴリズム。

パーセプトロン アルゴリズムは、ビジネス インテリジェンスにおける特定の入力データの計算において重要な役割を果たしており、人工ニューロンまたはニューラル リンクとみなすことができます。パーセプトロン モデルは、人工ニューラル ネットワークの中で最も優れた、最も特殊なタイプの 1 つであり、バイナリ分類器の教師あり学習アルゴリズムです。これは、入力値、重みとバイアス、正味合計、活性化関数を含む 4 つの主要なパラメーターを持つ単層ニューラル ネットワークとして見ることができます。

パーセプトロン アルゴリズムの種類

1. 単層パーセプトロン モデル

最も単純なタイプの ANN (人工ニューラル ネットワーク) の 1 つは、しきい値を含むフィードフォワード ネットワークです。伝染 ; 感染。単層パーセプトロン モデルの主な目的は、二値の結果を伴う線形分離可能なオブジェクトを分析することです。ただし、単層パーセプトロンは線形分離可能なパターンしか学習できないため、非線形分離可能な問題の場合は、より複雑な多層パーセプトロン モデルが必要です。

2. 多層パーセプトロン モデル

は主に単層パーセプトロン モデルに似ていますが、より多くの隠れ層があります。

パーセプトロン アルゴリズムは、入力信号の重みを学習して、線形の決定境界を描画します。

パーセプトロン学習ルール

パーセプトロン学習ルールは、アルゴリズムが最適な重み係数を自動的に学習し、入力特徴と重みを乗算することによってニューロンが発火するかどうかを決定できることを示しています。

パーセプトロン アルゴリズムは複数の入力信号を受け取ります。入力信号の合計がしきい値を超えた場合は信号が出力され、そうでない場合は信号は返されません。教師あり学習と分類では、サンプル カテゴリの予測に使用できます。

パーセプトロン アルゴリズムはどのように機能しますか?

前に述べたように、パーセプトロンは 4 つの主要パラメータを持つ単一層のニューラル リンクとみなされます。パーセプトロン モデルは、最初にすべての入力値とその重みを乗算し、次にこれらの値を加算して重み付き合計を作成します。さらに、この加重合計を活性化関数「f」に適用して、目的の出力を取得します。この活性化関数はステップ関数とも呼ばれ、「f」で表されます。

このステップ関数またはアクティベーション関数は、出力が (0,1) または (-1,1) の間でマッピングされるようにするために重要です。入力した重みがノードの強度を表すことに注意してください。同様に、入力値により、アクティベーション関数に曲線を上下に移動させる機能が与えられます。

パーセプトロン アルゴリズムの長所と短所

利点:

多層パーセプトロン モデルは、複雑な非線形問題を解決できます。

これは、小さい入力データと大きい入力データの両方に機能します。

トレーニング後に迅速に予測を得るのに役立ちます。

大規模なデータと小規模なデータで同じ精度を得るためにご協力ください。

欠点:

多層パーセプトロン モデルでは、計算に時間がかかり、複雑になります。

従属変数が各独立変数に及ぼす影響の程度を予測することは困難です。

モデルの機能はトレーニングの質に依存します。

パーセプトロン モデルの特徴

パーセプトロン モデルの特徴は次のとおりです。

バイナリ分類器の教師あり学習を使用した機械学習アルゴリズムです。

パーセプトロンでは重み係数を自動学習します。

最初に、重みが入力特徴と乗算され、ニューロンをアクティブにするかどうかが決定されます。

アクティベーション関数は、ステップ ルールを適用して、関数がゼロよりも重要かどうかをチェックします。

線形に分離可能な 2 つのクラス 1 と -1 を区別する線形決定境界が描画されます。

すべての入力値の合計がしきい値より大きい場合、出力信号が存在する必要があります。そうでない場合、出力は表示されません。

パーセプトロン モデルの制限

パーセプトロン モデルの制限は次のとおりです:

ハードエッジ伝達関数により、パーセプトロンの出力は次のとおりです。 2 進数 (0 または 1)。

線形微分可能な入力ベクトルのセットを分類するためにのみ使用できます。入力ベクトルが非線形の場合、それを正しく分類するのは簡単ではありません。

以上が機械学習におけるパーセプトロン アルゴリズムの応用の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。