数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究神经网络在分类中如何发挥作用？
神经网络是一系列算法，旨在通过模拟人脑工作方式的过程来识别数据集中的基本关系。这种方法中，神经网络定义了神经元系统，无论是生物的还是人工的。
神经网络是根据认知系统学习过程和大脑神经功能（假设的）建模的分析技术，能够在实施所谓的从现有信息中学习的过程后，根据其他观察结果预测新的观察结果（关于特定变量）。神经网络是数据挖掘技术之一。
神经网络是一组算法，旨在通过模拟人脑运作方式的过程来识别数据集中的基本关系。从这个意义上说，神经网络定义了神经元系统，例如生物的或人工的。
在几乎所有预测变量（自变量，输入）和预测变量（因变量，输出）之间存在关系的情况下，神经网络都适用，即使这种关系难以用“相关性”或“组间差异”的通用术语来表达。
神经网络是由模拟神经元组成的网络，用于识别模式实例。神经网络通过搜索网络权重区域来学习。
神经网络是一组链接的输入/输出单元，每个链接都有与其相关的权重。在学习过程中，网络通过调整权重来学习，从而能够预测输入样本的准确类别标签。由于单元之间的连接，NN学习也称为连接学习。
神经网络需要长时间的训练样本，由于很难解释学习权重后的符号意义，因此其可解释性较差。这些特性最初使得神经网络在数据挖掘中不太引人注目。
神经网络具有很高的容忍噪声数据的能力，以及对未经训练的模式进行分类的能力。已经开发出各种算法来从训练好的神经网络中提取规则。这些因素有助于神经网络在数据挖掘分类中的便利性。
在工程中，神经网络作为模式分类器和非线性自适应滤波器发挥着两个重要作用。人工神经网络是一个灵活的、通常是非线性的系统，它可以从数据中学习实现一个函数（输入/输出映射）。自适应是指系统参数在运行过程中发生变化，通常称为训练阶段。
训练阶段结束后，人工神经网络参数保持不变，系统被设置为解决手头的问题（测试阶段）。人工神经网络是通过一个系统的逐步阶段开发的，以提高性能测试或遵循一些隐含的内部约束，这通常定义为学习规则。
206 次浏览
