Machine learning 为什么XOR问题在双极表示中效果更好？
我正在学习神经网络课程，教授向我们介绍了异或问题。我理解XOR问题不是线性可分的，为什么我们需要使用神经网络来解决这个问题 然而，他提到XOR在双极表示（-1，+1）下工作得更好，我不理解。我已经查看了不同网站的资源，但我不能真正理解其中的原因Machine learning 为什么XOR问题在双极表示中效果更好？,machine-learning,neural-network,sigmoid,Machine Learning,Neural Network,Sigmoid,我正在学习神经网络课程，教授向我们介绍了异或问题。我理解XOR问题不是线性可分的，为什么我们需要使用神经网络来解决这个问题 然而，他提到XOR在双极表示（-1，+1）下工作得更好，我不理解。我已经查看了不同网站的资源，但我不能真正理解其中的原因 我想知道为什么双极表示比二进制表示更好？这个论点的基本原理是什么？输入节点的权重增量涉及输入值。使用二进制表示时，输入节点的值可能为0，这意味着其权重增量为0。换句话说，当应用此输入向量时，此节点无法“学习”任何内容 相反，如果使用双极表示，则可以避免这
我想知道为什么双极表示比二进制表示更好？这个论点的基本原理是什么？输入节点的权重增量涉及输入值。使用二进制表示时，输入节点的值可能为0，这意味着其权重增量为0。换句话说，当应用此输入向量时，此节点无法“学习”任何内容 相反，如果使用双极表示，则可以避免这种情况，因为输入节点的值永远不会为0。这意味着输入节点始终可以学习，从而帮助训练更快地收敛