Neural network 神经网络能根据不在其训练集中的模式预测结果吗
这听起来像是一个开放式的问题,我提前道歉。我知道神经网络可以根据训练数据集中发现的模式预测结果。神经网络能根据它没有观察到的模式预测结果吗。如果不是,那么应该使用什么样的算法来处理这样的问题。大多数神经网络应用程序都是在监督学习的基础上运行的,这意味着算法会得到有关其性能的反馈。该算法利用反馈调整网络权值。这种调整最常见的机制是反向传播,但也有其他机制 训练集与训练信号。 你的问题提到了一个训练集。然而,神经网络需要反馈的事实并不一定意味着训练集的存在,这只是一种选择。有时可以直接从网络运行的环境中感知反馈 没有培训集的反馈示例: (1) 想象一下,一个神经网络被训练成机器人平衡一根杆子。反馈可能来自加速度计数据,最终来自每个平衡任务的成功或失败 (2) 想象一下,一个神经网络被训练成光学识别字符。为此目的提供了大型培训集。但是,反馈也可能来自与人的表现或其他OCR技术输出的比较 然而,无论是否有训练集,仍然有训练信号。一般来说,在没有训练信号的情况下,神经网络在预测方面并不有效(但以后会有更多的研究) Hebbian学习。 在没有训练信号的情况下,神经网络学习的起点是Hebbian学习。赫布的假设是: 当A细胞的轴突靠近B细胞时,B细胞就会兴奋或反复兴奋 或者持续参与燃烧,一些生长或代谢 改变发生在一个或两个单元格中,使得A的效率 其中一个发射B的细胞增加 互联网简略地将其概括为“一起发射的细胞,连接在一起。”如果你感兴趣,你可以看看林斯克和冯·德·马尔斯堡的作品。他们的研究涉及视觉皮层中自我组织的出现,主要是受生物学的推动 矢量量化。 即使训练信号不可用,也有一些算法可以生成对数据的有意义的洞察。这种洞察可能采取分类的形式,而不是预测。例如,一个算法可以将输入分成n个组,但它不能说任何特定组的成员比另一个组更好还是更差:只是它们不同而已。这被称为“聚类分析”。也许最成功的算法是矢量量化 在无监督学习中使用的一种常见方法是竞争学习。该算法不响应训练信号,而是在自身内部竞争以理解数据。这种策略的一个例子是赢家通吃,在这种策略中,最强的神经元被认为是最成功的 自组织功能图 回到神经网络,有一种在无监督学习下运行的神经网络算法来执行聚类分析。这是自组织特征图(SOFM),也称为Kohonen图。SOFM使用竞争学习来训练神经网络 图:维基百科的自组织地图。(归属:Denoir-使用我自己的软件,CC By-SA 3.0,) 在SOFM中,接近意味着相似性Neural network 神经网络能根据不在其训练集中的模式预测结果吗,neural-network,artificial-intelligence,Neural Network,Artificial Intelligence,这听起来像是一个开放式的问题,我提前道歉。我知道神经网络可以根据训练数据集中发现的模式预测结果。神经网络能根据它没有观察到的模式预测结果吗。如果不是,那么应该使用什么样的算法来处理这样的问题。大多数神经网络应用程序都是在监督学习的基础上运行的,这意味着算法会得到有关其性能的反馈。该算法利用反馈调整网络权值。这种调整最常见的机制是反向传播,但也有其他机制 训练集与训练信号。 你的问题提到了一个训练集。然而,神经网络需要反馈的事实并不一定意味着训练集的存在,这只是一种选择。有时可以直接从网络运行的环
回到问题上来,矢量量化和SOFM都不需要训练集或训练信号。即便如此,这些算法还是能够识别数据中的模式(见图)。您提出的问题非常广泛且含糊不清,在我看来,没有一个真正的答案。这取决于网络的拓扑结构、数据的性质以及学习过程的执行方式。我认为你可以考虑不同的情况: