我正在尝试为回归制作一个简单的径向基函数网络(RBFN)。我有一个包含 600 多个样本的 20 维(特征)数据集。我需要最终网络为每个 20 维样本输出 1 个标量值。
注意:机器学习的新手......感觉我在这里错过了一个重要的概念。
使用感知器,我们可以训练一个线性网络,直到使用初始样本的一小部分子集将预测误差降至最低。
RBFN 是否有类似的流程?
我正在尝试为回归制作一个简单的径向基函数网络(RBFN)。我有一个包含 600 多个样本的 20 维(特征)数据集。我需要最终网络为每个 20 维样本输出 1 个标量值。
注意:机器学习的新手......感觉我在这里错过了一个重要的概念。
使用感知器,我们可以训练一个线性网络,直到使用初始样本的一小部分子集将预测误差降至最低。
RBFN 是否有类似的流程?
就在这里,
多层感知器和 RBFN 之间的两个主要区别是 RBFN 通常只意味着一层,并且激活函数是高斯函数而不是 sigmoid。
训练阶段可以使用误差损失函数的梯度下降来完成,因此实现起来相对简单。
请记住,RBFN 是 RBF 单元的线性组合,因此输出的范围是有限的,如果您需要超出该范围的标量,则需要对其进行转换。
您可以参考一些资源:
[PDF](http://scholar.lib.vt.edu/theses/available/etd-6197-223641/unrestricted/Ch3.pdf)
[维基百科] ( http://en.wikipedia.org/wiki/Radial_basis_function_network )
[Wolfram] ( http://reference.wolfram.com/applications/neuralnetworks/NeuralNetworkTheory/2.5.2.html )
希望能帮助到你,