零基础机器学习入门级教学神经网络基础

今天与大家分享我的神经网络学习心得，在这里我想和大家一起探讨如何更好地理解这一技术。

一、神经网络解决什么问题？

在之前与大家交流时，我们分享了多项式回归用于预测房价以及逻辑回归用于分类数据集的例子，在分析上述两个案例时，我们假设这些案例中的输入变量数量有限：

• 预测房价的影响因素：卧室间数、建筑面积、楼层位置
  • 逻辑回归处理两类数据的影响因素：两类数据即两种分类问题

在预测房价的例子中，我们的假设函数有 3 个输入特征：

h_\theta(x) = \theta_0x_0 + \theta_1x_1 + \theta_2x_2 +\theta_3x_3

然而，在现实世界中的机器学习问题中

h_\theta(x) = \theta_0x_0 + \theta_1x_1 + \theta_2x_2 + \theta_3x_1x_2 + \theta_4x_1x_3 + ... \theta_nx_1x_n + ...

这种类型的非线性假设函数组合会产生大量关键特征，在应用传统线性回归与逻辑回归方法时会导致运算速度显著下降或效率明显降低。为了有效处理高复杂度的非线性问题需求，神经网络模型应运而生。

神经网络的功能就是通过确保计算效率来解决复杂且具有大量输入特征的非线性问题，并涵盖分类任务与回归任务两大类问题

例如，在区分图像中的动物类别时