Artificial intelligence 我是否应该给遗传算法训练的人工神经网络增加一个偏差

我有一个人工神经网络控制一个人工食草动物。输入是最近植物的大小和方向，最近配偶的大小和方向，以及食草动物的健康。输出是一个运动矢量（方向和幅度）。如果使用遗传算法进行训练，是否有必要使用偏差？

您应该使用偏差，偏差不仅允许您解决不可线性分离的问题；但它也允许训练伪阈值，伪阈值是偏置神经元和其他神经元之间的互连。一般来说，它更有可能帮助你的尝试，而不是阻碍它们

偏差用于将神经网络的决策边界从原点移开。对于一个简单的感知器进行简单的线性分类，这等于移动分隔两个类的线。（想想简单线性回归中的c

遗传算法只是搜索最优权重的众多方法之一。它不在乎你是否有偏见，因为偏见只是它的另一个权重

因此使用偏差，它可以加快训练速度，并允许网络学习可能无法学习的模式

---

编辑以回答您的具体问题：不，没有必要使用偏差本身，网络可以在没有偏差的情况下工作，但因为它很容易实现并改进您的网络-使用它！

取决于遗传算法是如何实现的，以及问题的复杂程度。在获取新的人口和确定时，您应该始终有一些偏差g神经网络中的适应值偏差，而不是遗传算法。啊，我的错。不，在那种情况下，我认为没有必要。我认为偏差是用来将神经元的输出适应到一定范围内的，你应该决定是否需要。它不应该影响遗传算法的性能。。。“偏差允许你解决不可线性分离的问题”——这是怎么回事？带有偏差/截距项的单层感知器仍然是一个线性模型。这是真的，但偏差神经元不会影响解决方案。+1。另外，想想Naive Bayes中的类Previor（可以将其视为线性模型，然后类先验正是单层感知器中的偏差项）。