为什么引入神经网络来做识别,判断,预测


马克-to-win @ 马克java社区:防盗版实名手机尾号:73203, 很多人学了神经网络很长时间,但一直就有一个最根本的问题困扰着自己。为什么要引入神经网络来做识别,判断,预测?为什么神经网络能做这事?其实我们在生活中,总在不知不觉的经常用神经网络。只不过我们没注意观察罢了。 比如经常有朋友会问我们,哪里的房子大致多少钱?比如下面这个判断房价的例子,当知道地点在北京二环以里,天安门旁边的东华门,输入x1就应该等于五万元一平米。楼层是四层,不高不低,X2等于800元一平米。楼层如果是顶层,那就太高了,x2就等于100元一平米。马克-to-win @ 马克java社区:当知道朝向是朝阳以后,X3等于1000元一平米。如果知道朝向是朝北以后,S3就等于100元一平米。但x1,x2,x3,这三个参数在你心目中的权重是完全不一样的,大家都知道,判断房价,地点是最重要的,所以,权重w1的值会高很多,比如说0.6。而楼层的权重就不是那么高,比如只占0.1。向南朝向权重占0.2。基础偏移跟整个的时代都很有关系,大家都是买涨不买跌,所以当大家都想买房的时候,这个偏移就会很高,比如b等于一万元一平米。马克-to-win @ 马克java社区:所以按照下图:最终输出:x1*w1+x2*w2+x3*w3+b=50000*0.6+800*0.1+1000*0.2+10000=40280元一平米,为价格。

马克-to-win @ 马克java社区:你自己可能意识不到,每当别人问起你一个房子的价格时,因为这件事儿的维度比较多,比较复杂时,在你心中就需要做这么一个权重乘输入求和加偏移的计算。这种情况还有其他的例子,比如找对象时给异性评分,长相,学识,身体等等。























以上的图其实就是人工智能/机器学习/深度学习领域中一个典型的单个神经元,也叫感知器。也是一个三个输入,一个输出的一层神经网络或说单层神经网络。