Hình 1. Vấn đề phân loại phi tuyến tính. Hàm tuyến tính không được tách riêng tất cả các chấm màu xanh dương khỏi các chấm màu cam.
"Phi tuyến tính" nghĩa là bạn không thể dự đoán chính xác nhãn có của biểu mẫu \(b + w_1x_1 + w_2x_2\). Nói cách khác, "bề mặt quyết định" không phải là một đường.
Tuy nhiên, nếu chúng ta thực hiện chéo tính năng trên các tính năng $x_1$ và $x_2$, chúng ta có thể sau đó biểu thị mối quan hệ phi tuyến tính giữa hai đối tượng bằng cách sử dụng mô hình tuyến tính: $b + w_1x_1 + w_2x_2 + w_3x_3$ trong đó $x_3$ là đối tượng giao cắt giữa $x_1$ và $x_2$:
Hình 2. Bằng cách thêm chữ thập của tính năng x1x2 thì mô hình tuyến tính có thể học một hình dạng hyperbol phân tách các chấm màu xanh với các chấm màu cam.
Bây giờ, hãy xem xét tập dữ liệu sau:
Hình 3. Một vấn đề khó phân loại phi tuyến tính hơn.
Bạn cũng có thể nhớ lại từ Bài tập chéo tính năng rằng việc xác định đúng đối tượng sẽ chuyển sang điều chỉnh mô hình tuyến tính cho phù hợp với dữ liệu này tốn nhiều công sức và thử nghiệm hơn.
Nhưng nếu bạn không phải tự mình thực hiện tất cả những thử nghiệm đó thì sao? Mạng nơron là một gia đình cấu trúc mô hình được thiết kế để tìm phi tuyến tính trong dữ liệu. Trong quá trình huấn luyện mạng nơron, model tự động học tính năng tối ưu chéo để thực hiện trên dữ liệu đầu vào nhằm giảm thiểu tổn thất.
Trong các phần sau, chúng ta sẽ xem xét kỹ hơn về cách hoạt động của mạng nơron.
[[["Dễ hiểu","easyToUnderstand","thumb-up"],["Giúp tôi giải quyết được vấn đề","solvedMyProblem","thumb-up"],["Khác","otherUp","thumb-up"]],[["Thiếu thông tin tôi cần","missingTheInformationINeed","thumb-down"],["Quá phức tạp/quá nhiều bước","tooComplicatedTooManySteps","thumb-down"],["Đã lỗi thời","outOfDate","thumb-down"],["Vấn đề về bản dịch","translationIssue","thumb-down"],["Vấn đề về mẫu/mã","samplesCodeIssue","thumb-down"],["Khác","otherDown","thumb-down"]],["Cập nhật lần gần đây nhất: 2024-08-13 UTC."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]
