人工神經元：人工智慧的核心

大型語言模型 (LLM) 的最新突破引發了人們對人工智慧 (AI) 領域的濃厚興趣。 受歡迎程度的飆升導致許多人在這個快速擴張的行業中追求職業生涯。然而，一個經常被忽視的關鍵基礎元素是人工神經元，它是人工神經網路的基石。 對人工神經元的透徹理解對於掌握這些網路的複雜性至關重要。本教學將解釋人工神經元的功能，也稱為邏輯迴歸。儘管人工神經元很簡單，但事實證明它在解決各種分類問題方面非常有效，包括垃圾郵件檢測、糖尿病預測和信用風險評估。

機器學習模型分類

要充分理解這項技術，了解機器學習模型的分類至關重要。 機器學習是人工智慧的一個子集，專注於開發能夠自動學習和從數據中改進的系統。機器學習模型大致分為監督、無監督和強化學習模型。

監督模型從標記範例中學習。相較之下，無監督技術可以在不事先了解資料模式的情況下識別這些模式。 強化學習模型透過反覆試驗進行學習，並以獎勵的形式接收回饋。

邏輯迴歸作為人工神經元的實現，屬於監督學習的範疇。 監督模型進一步分為分類和迴歸系統。

邏輯迴歸解釋

分類模型旨在識別給定輸入的正確類別。例如，系統可能會分析一個人的財務數據以確定貸款資格。 另一個例子涉及根據動物的特徵對動物進行分類（哺乳動物、爬行動物、鳥類等）。

另一方面，

迴歸模型根據輸入資料預測數值。 使用金融數據預測通膨率是金融領域的常見應用。

儘管有它的名字，邏輯迴歸是一種分類技術。 分類可以是二元的（兩個類別，例如，是/否）或多類別（多個類別，例如，詞性）。

為了區分邏輯迴歸和線性迴歸，讓我們考慮使用兩個輸入的視覺表示（為了簡單起見）。在線性迴歸中，目標是將一條線擬合到一組點，捕捉總體趨勢。

機器學習模型的分類。

然後使用這條線根據另一個軸值（3D 空間中的平面，更高維度的超平面）來預測一個軸值。

然而，邏輯迴歸旨在產生二元決策（是/否等）。 直線不足以達到此目的。 考慮根據薪資確定貸款資格。 對該數據擬合一條線是有問題的。

線性迴歸範例。

然而，「S」形曲線提供了更有效的解決方案。 靠近曲線上部的點表示“是”，而靠近曲線下部的點表示“否”。 引入非線性將直線轉變為曲線。

線性迴歸分類不足的說明。

邏輯函數

邏輯函數引入了這種非線性。其公式為：

$$f(z)=\frac{1}{1e^{-z}}$$

\frac{1}{1 e^{-z}} f(z)=1 e−z1*物流功能。 *

此函數有幾個關鍵屬性：

1. Sigmoid 形狀： 它的「S」形狀使其適合分類。
2. 輸出範圍：輸出總是介於 0 和 1 之間，非常適合二元分類中的機率。
3. 連續：它是可微分的，允許高效的模型訓練（梯度下降）。

證明「S」形曲線適合分類。

邏輯函數的圖形表示。

可微分性允許計算曲線上任意點的斜率，這對於在訓練期間調整模型至關重要。

邏輯函數中點的切線的圖形表示。

計算範例

讓我們用貸款審批資料集來說明邏輯迴歸。 此資料集包含工資和貸款金額等特徵，以及指示批准 (1) 或拒絕 (0) 的標籤。 我們將使用一部分進行訓練，另一部分用於測試。

資料集。

模型計算輸入的加權和（薪資和貸款金額）加上偏差項（Z）。 初始權重和偏差是隨機的，並在訓練過程中進行調整。

計算Z值的範例

sigmoid 函數接著將 Z 轉換為機率 (0-1)。 值≥0.5被分類為“是”，並且

$$f(131)=\frac{1}{1e^{-131}}\mathrm{}$$

1 f(131) = \frac{1}{1 e^{-131}}=1 f(131)=1 e−1311=1*將 sigmoid 函數應用於 Z。 *

這個過程類似生物神經元：輸入（樹突）、加權連接、求和、閾值（S形）和輸出（軸突）。

邏輯迴歸計算流程的圖形表示。

神經元

形式化表示與 Python 實作

形式上，給定輸入向量 x、權重向量 w 和偏差 b:

Z = w^Tx b

sigmoid 函數產生輸出。

符號約定。

向量乘法。

sigmoid 函數在 Z 上的應用。

Python 實作如下所示，說明了計算和誤差計算。 訓練過程（權重調整）將在後續教學中介紹。

from math import exp

def sigmoide(x):
  return 1 / (1 + exp(-x))

# Input X[0] Wage, x[1] Loan
X = [[3,10],[1.5,11.8],[5.5,20.0],[3.5,15.2],[3.1,14.5],
     [7.6,15.5],[1.5,3.5],[6.9,8.5],[8.6,2.0],[7.66,3.5]]
Y = [0   , 0   , 0   , 0   , 0   , 1   , 1  , 1  ,   1, 1]

m = len(X)

w=[0.2,0.1]
b=0.1

for j in range(m):
  z = X[j][0]*w[0]+X[j][1]*w[1]+b
  yhat = sigmoide(z)

  # Calculates error
  erro = yhat-Y[j]

  print(" Wage:{0:5.2f}  Wage:{1:5.2f} Expected value:{2} ".
        format( X[j][0]*1000, X[j][1], Y[j]))
  print(" z:{0:2.3f}   yhat:{1:2.3f}  error:{2:2.3f}\n ".format( z, yhat, erro))

邏輯迴歸的計算範例。

程式發出的輸出。

本教學到此結束。 訓練過程將在以後的文章中解釋。

以上是人工神經元：人工智慧的核心的詳細內容。更多資訊請關注PHP中文網其他相關文章！