Neural network 本教程介绍了神经网络截距偏差

我正在浏览本网站的NN教程：

我对本页中的一个特定段落感到困惑（下面的屏幕截图）

截距偏差-1的选择纯粹是任意的吗？我不太明白他的解释

它在截图中说，RBF函数将所有值映射到[0，+无穷大]的范围。然而，RBF函数仅映射到[0,1]的范围。这是个错误吗？这个正范围是如何导致选择-1截距偏差的

---

我是这篇博文的作者。谢谢你提出这些问题

截距偏差-1的选择纯粹是任意的吗？我不太明白他的解释

这是任意的，因为它可以设置为其他偏置参数。我修正偏差项的原因是我想要一个只有2个参数的网络（但有一个隐藏层），这样我就可以在2d图中说明成本函数。本节的全部意图是说明添加具有非线性函数的隐藏层可以分离非线性可分离数据

有两个基本的可能的偏差项是恒定的。第一个是隐藏层上的偏差项。此隐藏层偏差项将向RBF函数添加偏移（下图中为黄色和绿色）。通过移除偏差并仅添加权重参数，我们仅对RBF函数的“宽度”（下图中为蓝色、红色和粉色）建模。

第二个偏差项是输出层逻辑函数的偏差。这与我们如何决定将某物分类为红色或蓝色有关，我们通过舍入到最接近的整数（0或1）来实现这一点。通过选择这个偏差，我们可以选择决策边界。 请注意，在下图中，如果该偏差为0，则所有>0.5的项均归类为1，所有<0.5的项均归类为0。如果我们有偏差+1，这个边界会增加到0.7左右，我们有偏差-1，这个边界会减少到0.3左右

如果我们在逻辑函数中输入RBF函数，且逻辑函数没有偏差，我们会注意到该函数要么完全高于0.5，要么完全低于0.5（下图中的黑色、蓝色和红色图形）。通过添加偏差，我们移动输出函数，使输出函数的一部分低于0.5，另一部分高于0.5（黄色和绿色），我们实际上可以根据舍入到最接近的整数（分类为0或1）做出决定。通过（任意）选择偏差为-1，我们可以做出分类决策，而无需将所有内容都放在一个类中

为了解释这一点，我同意我选择的例子不太清楚，欢迎大家提出更好的例子

它在截图中说，RBF函数将所有值映射到[0，+无穷大]的范围。然而，RBF函数仅映射到[0,1]的范围。这是个错误吗？这个正范围是如何导致选择-1截距偏差的

我的理由是它的1或无穷大无关紧要，但唯一重要的是0的下界。我在这里同意，我可以在技术上更加正确和清晰，我将在未来更新它

---

这些博客文章本质上是我为自己做的笔记本实验的呈现。我同意他们可以更清晰，欢迎反馈。

最后一个情节的链接已断开。现在应该修复。谢谢。它正在工作。我想现在清楚了。我是这方面最好的答案之一。谢谢你的回答-直接来自作者！解释非常清楚，我对函数的行为有了更多的了解。谢谢删除了我的答案，因为我发现了错误。