老饼讲解-神经网络 机器学习 神经网络 深度学习
其它RBF神经网络

【流程】广义回归-构建与使用流程

作者 : 老饼 发表日期 : 2023-03-01 10:39:17 更新日期 : 2023-03-01 14:49:18
本站原创文章,转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com



本文展示广义回归神经网络是怎么构建的,以及具体是怎么使用的

进一步更具体的掌握广义回归神经网络的应用




  01. 广义回归神经网络构建与应用流程  



本节展示构建时的流程,和实际使用时的计算流程



      构建流程     


构建需要的输入
构建广义回归神经网络需要的输入如下
 
👉X          :训练样本的输入数据    
 👉y          :训练样本的输出数据  
   👉spread :径向基的扩展参数        

构建流程
构建广义回归神经网络几乎不需要计算,
只需把训练数据对应保存为以下变量即可:

 
W21(输入层-->隐层权重):用 X 作为 W21即可                           
 B2(隐层阈值):用spread生成,
W32(隐层-->输出层层权重):用y作为w32即可                             





  使用阶段  


计算网络输出的公式参考如下Demo:
 
  
 
 👉本公式仅作为参考,并非真实计算公式
1.计算各个隐节点的输出
 
即计算各个exp的值
先计算它到W21各列(也即X中的各个训练样本)的距离,再将距离乘以B2(即a),
再经激活函数转换(即套上径向基函数),这样就得到隐节点的输出

 2.隐节点归一化
 
归一化隐节点= 各个隐节点/(所有隐节点的和)

 3.最终输出
 
W32(即训练数据的y)乘以归一化后的隐节点(即y乘以权重)
求和后就是最终的输出
✍️  PASS : 从概率角度理解广义回归  
 
我们也可以从概率的角度去理解整个计算过程
1. 计算新输入到各个训练样本的距离                               
2. 根据距离,计算新输入属于各个训练样本的概率           
3. 根据概率和各个样本的输出,求新输入对应的期望输出 




    编后语   


使用阶段的计算流程没有用十分严谨的数学公式描述
这是因为使用数学公式会使得整个理解非常晦涩
如果有细节不明,直接参考代码即可







 End 





联系老饼