النص الكامل 1716 الكلمات، وعندما يكون التعلم مدى المتوقع 5 دقيقة

المصدر: ijava

هناك أدلة على أن الشبكة العصبية خوارزمية التعلم آلة متفوقة على العديد من المناطق. مواصلة الأخير للتعلم، وحتى أفضل مجموعة من الميزات التي تلبي القيمة المتوقعة.

ومع ذلك، فإن العصبي التكبير متغير الشبكة إلى سلسلة من الأرقام، بمجرد أن يكمل مرحلة التعلم، بالنسبة لنا، يصبح من المستحيل التمييز بين الميزات.

إذا كنت تنظر فقط إلى حقيقة التنبؤ، خوارزمية الشبكة العصبية التي استخدمت. ولكن الصناعة تحتاج إلى نموذج البيئة، يمكن أن يعطى لأصحاب المصلحة أهمية مميزة أو متغيرة. ويمكن لهذه الجهات أن يكون أي شخص، وليس مجرد التعلم أو آلة التعلم لفهم عمق المعرفة الإنسانية.

ما هو الفارق الأكبر بين الغابات عشوائية والشبكات العصبية هي؟

الغابات بشكل عشوائي والشبكات العصبية هي تقنيات مختلفة، وأساليب التعلم المختلفة، ولكن يمكن استخدامها في حقل مماثل. الغابات عشوائية هي آلة تكنولوجيا التعليم، والتكنولوجيا الشبكة العصبية هي عمق التعلم.

ما هي الشبكة العصبية؟

شبكة العصبية هي شبكة الحوسبة النموذج الذي يحاكي إلى حد كبير وظيفة الدماغ البشري، ويمكن تكرار التفكير البشري وتصور بنفس الطريقة. الشبكة العصبية هو التسلسل الهرمي من العقد المترابطة، والتي تشمل العقد وظيفة تفعيل شبكة حساب الانتاج.

الشبكات العصبية هي طريقة أخرى لتعلم الآلة، للتدريب على الحاسوب من خلال تحليل العينات لمعرفة لأداء المهام. لأن الشبكة العصبية هو محاكاة كبيرة في الدماغ البشري، وسوف تشمل الآلاف من العقد متصلة مع بعضها البعض. عقدة يمكن توصيل عدة العقد الذي حصل على أقل البيانات الطبقة والطبقة العليا عدة العقد التي تتلقى البيانات. كل نقطة إدخال البيانات تلقي الوزن، وأنها تخضع لعمليات حسابية. إذا كان وزن يساوي الصفر، وانحراف زيادة، ومن ثم تمريرها إلى وظيفة التنشيط.

الشبكات العصبية

هناك ثلاثة بنية الشبكة العصبية الأساسية

1. قبل شبكة feedforward طبقة واحدة

من هو امتداد لالمستقبلات، هي الشبكة الأكثر بسيطة. عقدة خفية إضافية بين المدخلات والمخرجات طبقات.

2. قبل شبكة feedforward متعدد الطبقات

بالإضافة إلى المدخلات والمخرجات، وهذا النوع من الشبكة هناك واحد أو أكثر مخبأة طبقات. وهي مسؤولة عن نقل البيانات بين المدخلات والمخرجات طبقات.

3. شبكة المتكررة

الشبكة العصبية المتكررة مع كل مماثلة لما سبق، ولكنها تستخدم على نطاق واسع في بيانات النص والسلاسل الزمنية التنبؤية. معظم الشبكة العصبية المتكررة الشهيرة هي "ذاكرة طول" نموذج (LSTM).

ما هي الغابات عشوائية؟

الغابات عشوائية عبارة عن مجموعة من أشجار القرار، وبالتالي، فإن عقدة عقدة / ورقة النهائية ستكون غالبية الطبقة أو الفئة متوسط الانحدار من مشاكل التصنيف.

A الأشجار تصنيف الغابات عشوائية تنمو من كثير، لكل ناتج من شجرة، ويسمى شجرة الطبقة "التصويت". الأشجار حتى يكبر:

1. كل عينة عشوائية الصف شجرة المستخرجة من بيانات التدريب.

2. بعد اختيار عينة من الخطوة 1، وشجرة انقسام باستخدام مجموعة فرعية الميزة المحددة.

3. كل شجرة وفقا للمعايير المحددة أقصى نطاق النمو حتى فئتها إلى التصويت.

لماذا يوصي الغابات عشوائية؟

الغابات العشوائية، بدلا من مجرد استخدام الأشجار القرار، وأشجار القرار هي الجمع بين التنبؤات متعددة كنموذج. المنطق هو نموذج يتكون من العديد من نموذج المتوسط تتكون من واحد لا يزال أفضل من نموذج جيدة. انظروا التيار أداء الغابة عشوائية، أنت تعرف أنه من المنطقي. وهكذا، والغابات عشوائية يصعب تنتج أكثر المناسب.

في مثل هذا القرار قد تظهر مرونة نموذج شجرة على تركيب نموذج سوف تذكر بيانات التدريب، وتعلم أي بيانات تدخل. وهذا سيجعل من المستحيل التنبؤ بيانات الاختبار.

ويمكن الجمع بين أشجار الغابات عشوائية في عدة مجموعة من النماذج، مما يقلل من التباين في مرونة عالية للنموذج شجرة القرارات.

المصدر: tuxi

مقارنة الشبكة العصبية، وعندما لاستخدام الغابات عشوائية؟

الغابات عشوائية خفض تكاليف الحوسبة، والحاجة إلى الاعتماد على GPU استكمال التدريب. قد توفر الغابات عشوائية أشجار القرار تفسيرا مختلفا، ومع أداء أفضل. الشبكات العصبية الناس العاديين بحاجة الى مزيد من البيانات في متناول اليد لتكون فعالة حقا. سوف الشبكة العصبية ببساطة تدمير خصائص للتفسير أن الأداء يصبح بلا معنى. على الرغم من أن تحليل مفصل يبدو معقولا، ولكن سيعتمد على كل مشروع.

إذا كان الهدف هو خلق نموذج التنبؤ، دون النظر في تأثير المتغيرات، فمن المستحسن الشبكات العصبية، ولكن الموارد الحاجة لتحقيق ذلك. إذا كنت بحاجة الى مزيد متغير، بغض النظر عن التفضيلات الشخصية والظروف في هذه الحالة يحدث عادة هو: أداء تتأثر قليلا، لضمان لا يزال بإمكانك فهم كيف أن كل متغير هو نموذج تنبؤي للمساهمة.

إذا كان لديك أي شيء للإضافة، مرحبا بك في قسم التعليقات تعليقات يو ~

انتباه رسالة الابهام

معا نحن نشارك في التعلم وتطوير AI الجاف

مثل طبع، يرجى ترك رسالة وراء الكواليس، والامتثال للمعايير طبع