Artificial intelligence 什么'；感知器中的阈值点是什么？

我很难看到阈值在单层感知器中的实际作用。无论阈值的值是什么，数据通常是分开的。似乎阈值越低，数据的分割就越平均；这就是它的用途吗？

在每个节点中计算权重和输入的乘积之和，如果该值高于某个阈值（通常为0），则神经元激发并获取激活值（通常为1）；否则，它将采用停用的值（通常为-1）。具有这种激活功能的神经元也称为人工神经元或线性阈值单位。

在Daok的帮助下，我想我现在明白了。我只是想为其他人添加信息

单层感知器的分离器方程为

∑wjxj+偏差=阈值

这意味着如果输入高于阈值，或

∑wjxj+偏差>阈值，将其分类为一个类别，如果

∑wjxj+偏差<阈值，将其分为另一类

偏移和阈值的作用实际上是相同的，即平移直线（请参见）。然而，由于处于等式的相反端，它们是“负比例”的

---

例如，如果偏差为0，阈值为0.5，则相当于偏差为-0.5，阈值为0。

实际上，在不使用偏差时，只需设置阈值。否则，阈值为0

记住，一个神经元用一个超平面分割你的输入空间。好吗

现在想象一个神经元有两个输入，两个权重，一个阈值，一个阈值。方程式显示了该神经元的工作原理：

x1.w1 + x2.w2 = TH

这等于：

x1.w1 + x2.w2 - 1.TH = 0

也就是说，这是划分输入空间的超平面方程

请注意，如果您手动设置阈值，此神经元将正常工作。解决方案是将TH更改为另一个重量，因此：

x1.w1 + x2.w2 - 1.w0 = 0

---

其中术语

1.w0

是您的偏见。现在，您仍然可以在输入空间中绘制平面，而无需手动设置阈值（即，阈值始终为0）。但是，如果您将阈值设置为另一个值，权重将自行调整以调整方程，即权重（包括偏差）吸收阈值效应。

我理解这一点，但更改阈值有什么意义？训练集允许以任何方式分离点。阈值是任意的吗？好吧，你可以“训练”阈值，使其成为动态的，而不是提示性的。一开始你可以随机设置，或者设置为零。哦，我明白了。所以从本质上说，改变阈值就等于改变了偏差，但这是消极的（因为它们在方程的另一边）？改变偏差对我来说是有共鸣的。那么本质上你是在转移分离线？那条线的斜率呢？所以当我们在训练中使用0以外的阈值时，我们也使用相同的阈值来分类新的看不见的样本，对吗？例如，如果我们选择阈值为10，那么我们使用相同的阈值10来决定一个看不见的样本属于哪一类，对吗？相关问题：谢谢澄清，这很有意义！我想这基本上是我说的，只是说得更清楚。@renatop你知道基于学习的阈值对功能重要性是否有任何影响吗？这段视频对我帮助很大：。我的解释是，除了根据权重向量与输入数据向量的角度旋转权重向量外，我们还希望对权重向量是否应翻转180度到决策边界另一侧的镜像象限进行二元确定。因此，阈值化有助于我们确定旋转角度的符号。