Artificial intelligence 选择正确的神经网络类型

我有一个有监督的学习问题，我的算法将得到一组训练示例，用于学习形状是否是正方形的圆。我想知道哪种类型的安最好。我知道如果数据是线性可分的，你可以选择感知器。。当然，我可以很容易地得到一个超平面，它将我的正方形和圆形分开？那么，感知器不是一个足够好的选择吗？然而，多层前馈网络不是更常用吗？什么是自然选择？为什么

下图显示了提供给系统的培训数据。NN需要将二维数据A=[a1，a2]分类为正方形和圆形

---

谢谢。

您提供的数据集在a1和a2所跨越的空间中不是线性可分的，因此感知器无法做到这一点。你需要一个多层感知器（MLP）。一般来说，MLP的使用更为频繁，因为它们可以做单层感知器所能做的一切（查找通用近似定理）。 径向基函数也可以完成这项工作。 诺利暗示了一件有趣的事情，但要复杂得多——如果将数据集投影到一个非常高维的空间上，数据集就很有可能线性可分（Cover定理）。这就是使用支持向量机的动机

---

总之，没有自然选择，这完全是针对具体问题的。实验。我的一位讲师曾经说过“交叉验证是你的朋友”

我认为这取决于你对数据的重复。你用什么表示法？@static\u rtti-请看我添加的图片，这应该能回答你的评论。谢谢：）。我想这回答了你关于分离超平面存在性的问题：你看到一条线把两个类分开了吗？没有。。因此。。感知器不合适吗？因此，多层前馈就是答案：）？（因为感知器只能处理线性可分离的问题）