Моя последняя заметка начала рассматривать нейронные сети, то, как они работают, и некоторые нюансы их использования.
В этой заметке будет рассмотрено, как можно использовать нейронные сети для моделей классификации.
Классификация с помощью нейронных сетей: что это такое?
Когда мы ранее рассматривали модели классификации, мы рассматривали их как набор гипотетических функций, где каждая из них предсказывала, относится ли вещь к определенному типу вещей. Вместо использования нескольких функций гипотез для классификации нескольких типов вещей вы можете использовать одну нейронную сеть с несколькими выходными узлами в ее выходном слое (см. иллюстрацию).
При такой структуре каждый выходной узел вычисляет вероятность (возможно, с помощью сигмоидальной функции или выпрямленной линейной единицы) того, что данная вещь относится к другому конкретному типу вещей. Затем модель предсказывает, что данная вещь является конкретным типом вещи, которая имеет наибольшую расчетную вероятность.
В примере на иллюстрации наша модель предсказывает, является ли новая вещь пешеходом, автомобилем или грузовиком. Он делает эти прогнозы на основе высоты, веса и ширины объекта. Один из выходных узлов нейронной сети вычисляет вероятность того, что вещь является пешеходом. Другой выходной узел вычисляет вероятность того, что вещь является автомобилем. Последний выходной узел вычисляет вероятность того, что это грузовик. Затем, поскольку самая высокая вероятность (0,75) состоит в том, что это грузовик, наша модель предсказывает, что это грузовик.
Масштабирование
В нашем примере наша нейронная сеть использует только 3 входа, но одно из основных применений нейронных сетей в классификации может использовать тысячи входов: классификация изображений. Эти модели часто принимают каждое цветовое измерение (т. е. число для красного, зеленого и синего) каждого пикселя изображения в качестве уникальных входных данных, помогающих предсказать, что находится на изображении.
Следующий:
В следующей заметке этой серии мы отойдем от обучения с учителем (которому были посвящены последние 7 заметок) и рассмотрим особый тип обучения без учителя.
Прошлые заметки в этой серии:
- На пути к глубокому пониманию машинного обучения
- Построение интуиции вокруг контролируемого машинного обучения с градиентным спуском
- Помогаем моделям обучения с учителем учиться лучше и быстрее
- Сигмовидная функция как концептуальное введение в функции активации и гипотезы
- Введение в модели классификации
- Переоснащение и предотвращение его с помощью регуляризации
- Введение в нейронные сети
