Machine learning 如何确定具有非线性训练集的神经网络的假设函数？

我们有4个相互非线性相关的数值输入。我们的目标是利用反向传播模型预测产量。我们正在想象的场景如下：，

根据我们的知识（我们还没有完全理解），我们正在考虑计算任何神经元的输出（Y）的方程是

        Y  =  w1 * X1  + w2 * X2 + w3 * X3 + w4  * X4 ?

其中，
Y是输出 X是输入（X1、X2、X3、X4） w是重量

因此，在输出层，如果输出（Y）与预期的不同，我们将使用误差校正来修改权重

---

对于非线性数据集，是否需要有特定的输出函数（假设函数）？或者可以使用上面的函数？

这是一个很好的数学思考方式，但我不同意上面列出的等式

对于隐藏神经元1（HN1），其输入（inputHN1）为

w11*X1+w21*X2+w31*X3+w41*X4

；输出是

f（inputHN1）

。请注意，

f（）

可以是一个非线性函数（也可以是线性函数）

对于HN2，我们有

f（inputHN2）

Y=beta1*f（inputHN1）+beta2*f（inputHN2）

MLP的权重（w和β）将通过反向传播进行训练

您将看到，如果

f（）

是非线性的，那么对非线性函数进行建模是完美的

当然，如果

f（）

是线性的，它只能很好地逼近线性函数

---

好吧，假设总是有帮助的，如果你对你试图建模的东西有先验知识的话。例如，不是一阶，而是二阶，如X1X2、X1^2等。

是的，你的方程是正确的，我应该对所有这些神经元进行编号，因此这意味着在反向传播中，下一个神经元的输出总是前一个神经元的权重*节点（神经元值）的总和？谢谢你的回复，罗宾是的，你说得对。这就是为什么如上所述的MLP训练包括前馈和反向传播。