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。