[DataAnalysis]机器学习算法——BP神经网络原理简介

M-P神经元模型

神经元接收到来自个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收的总输入值将于神经元的阈值进行比较，然后通过“**函数”处理以产生神经元的输出。

感知机与多层网络

感知机由两层神经元组成，输入层接收外界输入信号后传递给输出层，输出层是M-P神经元。

感知机能容易地实现与、或、非运算。

感知机只能解决线性可分问题。要解决非线性可分问题需要使用多层功能神经元。输出层和输入层之间的一层神经元，被称为隐藏层，其中隐藏层和输出层神经元都是拥有**函数的功能神经元。

多层前馈神经网络

1、每层神经元与下一层神经元全互连

2、神经元之间不存在同层连接

3、神经元之间不存在隐层连接

神经网路学习的内容

1、连接权

2、阈值

误差逆传播算法（BP算法）

给定训练集，即输入示例由个属性描述，输出维实值向量。

下面给出具体的一个例子:

其中输出层第个神经元的阈值用表示，隐藏层第个神经元的阈值用表示。

1、模型评价

均方误差：

2、模型参数

输入层到隐藏层的个权值、隐藏层到输出层的个权值、个隐藏神经元的阈值、个输出层神经元的阈值。

3、参数估计方法

任意参数的更新估计式为：

BP神经网络基于梯度下降，以目标的负梯度方向对参数进行调整，对误差，给定学习率，以为例，有：

4、学习率

学习率，控制着算法每一轮迭代的更新步长，若太大则容易震荡，若太小则收敛速度又过慢。

5、目标函数

BP算法的目标函数是最小化训练集上的累计误差。

防止BP神经网络过拟合的方法

1、early stopping：

将数据分成训练集和测试集，训练集用来计算梯度、更新连接权和阈值，验证集用于估计误差，当训练集误差降低但测试集误差升高则停止更新。

2、正则化：

在目标函数中添加描述神经网络复杂度的部分。