使用单个神经元对多个输出进行分类
Classifying Multiple Outputs using a Single Neuron
我是 AI 的初学者，所以如果我问了一个愚蠢的问题，我很抱歉。我想做的是只训练一个感知器来 class 化 4 classes 中的一些输入。我知道，通常情况下，感知器是一个二进制 class 化器，但我想知道我是否可以打破这种具有非常简单的 class 化规则的特殊情况的规则。数据样本包含由笛卡尔坐标给出的点。假设 x 坐标始终是 [1, 4] 之间的整数，而 y 坐标将取 0 到 1 之间的值，精度仅为 1 位。 （[0:.1:1] Matlab 表达式）。 classes 仅取决于 X 坐标。 class 只是 X 坐标。比如(1, 0.3) 在class 1, (3, 0.2) 在class 3. 只训练1个感知机就可以学习这个规则吗？提前致谢
答案是否定的，不是标准的二元双极阈值感知器。除非你有一些疯狂的非线性感知器，其逻辑已经内置到传递函数中，否则你将需要更多的神经元来近似逻辑。请记住，您的传递函数越非线性，您的训练就越复杂。
以XOR operator. Even a simple logic gate such as that will require 2 hidden neurons. Here's a reference of what I'm talking about for XOR为例。
对于那些质疑 OP 中二进制感知器的含义的人，OP 是这个意思。
我是 AI 的初学者，所以如果我问了一个愚蠢的问题，我很抱歉。我想做的是只训练一个感知器来 class 化 4 classes 中的一些输入。我知道，通常情况下，感知器是一个二进制 class 化器，但我想知道我是否可以打破这种具有非常简单的 class 化规则的特殊情况的规则。数据样本包含由笛卡尔坐标给出的点。假设 x 坐标始终是 [1, 4] 之间的整数，而 y 坐标将取 0 到 1 之间的值，精度仅为 1 位。 （[0:.1:1] Matlab 表达式）。 classes 仅取决于 X 坐标。 class 只是 X 坐标。比如(1, 0.3) 在class 1, (3, 0.2) 在class 3. 只训练1个感知机就可以学习这个规则吗？提前致谢
答案是否定的，不是标准的二元双极阈值感知器。除非你有一些疯狂的非线性感知器，其逻辑已经内置到传递函数中，否则你将需要更多的神经元来近似逻辑。请记住，您的传递函数越非线性，您的训练就越复杂。
以XOR operator. Even a simple logic gate such as that will require 2 hidden neurons. Here's a reference of what I'm talking about for XOR为例。
对于那些质疑 OP 中二进制感知器的含义的人，OP 是这个意思。