了解感知器

我将测试数据用于什么？它与培训数据有何关系？

想想一个感知器，还是个小孩子。您想教一个孩子如何区分苹果和橙子。您向它展示5个不同的苹果（全都是红色/黄色）和5个橙子（各有不同的形状），同时告诉它每次旋转时看到的内容（“这是一个苹果。这是一个橙色）。假设孩子有完美的记忆力，如果您向他展示足够的示例，它将学会了解是什么使一个苹果变成了一个苹果，一个橙色变成了一个橙色。他最终将开始使用元特征（例如形状），而无需您实际告诉他。您向他展示了所有示例，您从头开始，这被称为新纪元。

当您想测试孩子的知识时会发生什么？你给它展示一些新东西。一个绿色的苹果（不仅是黄色/红色），一个葡萄柚，也许是一个西瓜。为什么不向孩子显示与训练期间完全相同的数据？因为孩子有完美的记忆力，所以只会告诉您您告诉他的内容。你不会看到它有多好推广从已知看不见的数据，除非你有不同的训练数据，你从来没有在训练中表现出了他。如果孩子在测试数据上的表现很糟糕，但在训练数据上的表现却是100％，那么您会知道他没有学到任何东西-只是重复他在训练中被告知的内容-您训练了他的时间太长了，他只记得您的例子不知道是什么使得苹果变成苹果，因为您给了他太多的细节-这被称为过拟合。为了防止您的感知器仅（！）识别训练数据，您必须在合理的时间停止训练，并在训练和测试集的大小之间找到良好的平衡。

我如何知道某个点是否被错误分类？

如果与实际情况有所不同。假设一个苹果的类别为0，橙色的类别为1（在这里您应该开始阅读“单层/多层感知器”以及多个感知器的神经网络是如何工作的）。网络将接受您的输入。它的编码方式与此无关，假设输入是字符串“ apple”。然后，您的训练集为{（apple1,0），（apple2,0），（apple3,0），（orange1,1），（orange2,1）.....}。由于您事先知道该类，因此网络将为输入“ apple1”输出1或0。如果输出为1，则执行（targetValue-actualValue）=（1-0）=1。在这种情况下，1表示网络给出了错误的输出。将其与增量规则进行比较，您将了解到，这个小方程式是较大更新方程式的一部分。如果您得到1，则将执行权重更新。

如何选择测试点，训练点，阈值或偏差？

实际上，偏差和阈值本身并不是“选择”的。像使用其他任何单元一样，使用简单的“技巧”来训练偏差，即使用偏差作为值为1的附加输入单元-这意味着实际偏差值将以该附加单元的权重进行编码，我们使用的算法将确保该偏差自动为我们学习偏见。

阈值是预先确定的，具体取决于您的激活功能。对于简单的感知器，分类将如下所示：

由于我们使用二进制输出（介于0和1之间），因此将阈值设置为0.5是一个很好的开始，因为它正好在[0,1]范围的中间。

现在是关于选择训练和测试点的最后一个问题：这非常困难，您需要凭经验来做到这一点。在这里，您将从实现简单的逻辑功能（如AND，OR，XOR等）开始。这很简单。您将所有内容放入训练集中，并使用与训练集中相同的值进行测试（由于x XOR y等，因此只有4种可能的输入00、10、01、11）。对于图像，音频等复杂的数据，您必须尝试调整数据和功能，直到您觉得网络可以按需使用它。