Een beginnersgids voor Perceptron neurale netwerken: Data classificeren met een simpel voorbeeld

De Perceptron begrijpen: Een praktisch voorbeeld van dataclassificatie

Dit artikel is onderdeel van een reeks die Perceptron neurale netwerken demystificeert. Of u nu vanaf nul begint of een specifiek onderwerp wilt herzien, de gerelateerde artikelen hieronder bieden een uitgebreide routekaart.

1. Hoe classificatie uit te voeren met een neuraal netwerk: Wat is de Perceptron?
2. Hoe een simpele Perceptron-neuraal netwerk voorbeeld te gebruiken om data te classificeren
3. Hoe een basale Perceptron-neuraal netwerk te trainen
4. Eenvoudige neuraal netwerk training begrijpen
5. Inleiding tot trainings theorie voor neurale netwerken
6. Leer snelheid in neurale netwerken begrijpen
7. Geavanceerde machine learning met de Multilayer Perceptron
8. De Sigmoid-activeringsfunctie: Activering in Multilayer Perceptron neurale netwerken
9. Hoe een Multilayer Perceptron neuraal netwerk te trainen
10. Trainingsformules en Backpropagation voor Multilayer Perceptrons begrijpen
11. Neuraal netwerk architectuur voor een Python-implementatie
12. Hoe een Multilayer Perceptron neuraal netwerk in Python te maken
13. Signaalverwerking met neurale netwerken: Validatie in neuraal netwerk ontwerp
14. Trainingsdatasets voor neurale netwerken: Hoe een Python neuraal netwerk te trainen en valideren

Wat is een eenlaags Perceptron?

Een perceptron is de meest elementaire soort neuraal netwerk. Het bestaat uit een invoerlaag die data distribueert naar een enkele computationele laag, wiens neuronen gewogen sommaties uitvoeren gevolgd door een activeringsfunctie. De verbindingen tussen de invoerknooppunten en de computationele laag krijgen scalaire gewichten toegewezen, die de invloed van elk invoerkenmerk op de uiteindelijke uitvoer bepalen.

Hoewel het netwerk twee fysieke lagen bevat (invoer en uitvoer), bevat het slechts één computationele laag, weshalb het een eenlaags perceptron genoemd wordt.

Classificeren met een Perceptron

Laten we een concreet voorbeeld bekijken. We zullen een perceptron bouwen dat een driedimensionale vector ⟨x, y, z⟩ ontvangt en punten classificeert op basis van hun positie ten opzichte van de x-as:

• Onder de x-as (y < 0): geclassificeerd als ongeldig (uitvoer 0)
• Op of boven de x-as (y ≥ 0): geclassificeerd als geldig (uitvoer 1)

De netwerkinvoervector mappt direct op de drie coördinaten: input₀ = x, input₁ = y, en input₂ = z. Omdat het probleem lineair is, kunnen we de gewichten direct toewijzen:

We stellen dan de activering van het uitvoerneuron in op een unit step functie:

\[f(x)=\begin{cases}0 & x < 0\\1 & x \geq 0\end{cases}\]

Met deze instellingen worden de y- en z-componenten effectief genegeerd (gewichten 0), en hangt de classificatie af van de x-coördinaat. Als het punt onder de x-as ligt, is de gewogen som negatief en de stapfunctie geeft 0 uit; anders geeft het 1 uit.

Van handmatig ontwerp naar geautomatiseerde training

Het bovenstaande voorbeeld toont hoe een mens een perceptron kan ontwerpen voor een triviaal probleem. In veel real-world scenario's – handschriftherkenning, spraakverwerking, medische diagnose – is het definieren van een precieze wiskundige relatie tussen invoeren en gewenste uitvoeren onpraktisch. In plaats daarvan vertrouwen we op een data-gedreven benadering: we voorzien het netwerk van veel input-output paren en laten het het onderliggende patroon leren.

Training is het proces dat de gewichten aanpast zodat de perceptron correcte uitvoeren produceert op onziene data. Het vergelijkt iteratief de voorspellingen van het netwerk met de bekende labels en duwt de gewichten in de richting die de fout vermindert.

Na training op 1.000 synthetische punten voor onze geldig/ongeldig classifier, ontdekte de perceptron automatisch de geschikte gewichtsvector, die nu overeenkomt met de handmatig afgeleide oplossing:

Wat komt er als volgt?

In het komende artikel zullen we doorlopen een beknopte Python-implementatie van een eenlaags perceptron en de trainingsroutine detaileren die de bovenstaande gewichten produceerde. Blijf op de hoogte om te leren hoe uw eigen perceptron vanaf nul te coderen en te trainen.