如何用神经网络逼近函数

我想用深度神经网络来解决回归问题，但据我所读，它主要用于分类。我想知道为什么一个规则的卷积网络，或者一个多层感知不能作为一个线性回归，只是多层。采用均方误差作为损失函数，规则随机梯度下降作为优化器。我使用的不是一个热编码，而是使用实际的预期数字作为标签。尽管我还没有优化参数，但结果还是很有希望的。因此，问题是，为什么神经网络主要用于分类，而它也可以处理回归？

浏览 0提问于2020-09-19得票数 0

回答已采纳

1回答

神经网络学习限制

我想知道是否有一种方法可以知道联想神经网络可以学习多少的极限。

浏览 0提问于2013-03-06得票数 0

1回答

使用3元线性数据训练一个模型，我包含了一个离群点的测试数据。为什么测试的准确度仍然是100%？

、、、、

我有一个输入，它是一个由3个元素组成的数组，我使用的是二进制分类。这是我的代码：import osfrom keras.layers import Dense [0,1,2], [0,6,12], [0,7,14

浏览 1提问于2019-05-09得票数 2

1回答

、、

学习神经网络我已经写了我自己的类。激活函数是tanh()。

浏览 19提问于2020-09-10得票数 0

1回答

每个致密层都可以根据该层的神经元来近似一个函数。神经元越多，函数就越精确(让我们忽略过拟合)。如果是这样，那么使用多个层有什么好处？通用逼近理论提出，每个连续函数都可以用一个带一个隐层的神经网络来逼近。每一层都有自己的函数近似吗？那么，一个人是否可以通过增加层来补偿例如陡峭的缺口或跳跃来学习一个间断的功能呢？什么原因，增加层的神经网络可以提高性能？有人能用直观的方式来解释吗？我从本站那里得到了我的信息。它很好地解释了逼近部分，而不是

浏览 0提问于2022-03-09得票数 0

回答已采纳

2回答

利用遗传算法进化多层感知器

、、

我想用遗传算法进化一个神经网络，以逼近数学函数(线性、立方、正弦、tanh等)。其要求是神经网络应根据神经元的拓扑结构、权值和激活函数进行演化。求值函数是计算神经网络输出与需要逼近的函数(均方误差)之间的误差的函数。我正在检查DEAP是否进化了神经网络，我正在考虑使用PyLearn 2来实现GA将产生的实际最佳配置。

浏览 3提问于2015-11-05得票数 2

回答已采纳

1回答

具有近似意义的政策预测函数的选择

、

在进入第10章(基于近似的政策预测)之后，我现在想知道如何选择函数q的形式，其中最优权重w将被近似。？

浏览 6提问于2017-07-25得票数 4

回答已采纳

5回答

神经网络是否具有多参数的复杂“线性函数”？

、、、

神经网络是一种复杂的多参数______________。( a)线性函数；( c)离散函数；来自：我不确定NNs是否只是“线性”函数？然而，我认为具有非线性激活函数的NNs不是线性的.

浏览 1提问于2018-05-19得票数 2

1回答

神经网络与RC船

、

让我们假设我家里有一个很大的水池--我有一艘装有非常敏感和精确的GPS的小型RC船和一台装有SD卡模块的微型计算机来加载/保存神经网络数据。蓝箱神经网络驱动船

浏览 0提问于2016-06-26得票数 1

2回答

神经网络作为通用逼近器

、

的形式化表述表明，具有单个隐层的神经网络可以逼近m维超立方体上连续的任何函数。但是对于不连续的函数，有什么关于它们是否总是可以被神经网络近似的已知吗？例如，以一个计算数字pi的第n位的函数为例。如果我在这个数据上训练一些单一的隐层神经网络：(pi的第n位)，它最终能返回看不见的n的正确值吗？那么多隐层神经网络呢？

浏览 2提问于2011-11-17得票数 10

回答已采纳

3回答

线性回归的神经网络？

、、、

在tensorflow网站上的这个例子中，我惊讶地看到神经网络的预测值图是一条直线。神经网络的目的不是要把数据的非线性近似成它吗？请让我知道我在这里错过了什么。

浏览 0提问于2019-05-19得票数 2

回答已采纳

1回答

时态差异学习在Java中的实现

、、、、

下面的代码是我实现的时态差异学习。使用TD算法的代理与使用max过程的代理玩75万多个游戏，但问题是than不学习.这个实现有什么问题？public void updateToNextState(int[] currentState, double[] nextStateOutput) { double[] outputOfCurrent = getOutput(currentState); double[] error =

浏览 5提问于2013-05-25得票数 0

1回答

坡度提升树能适应任何功能吗？

对于神经网络，我们有一个普适逼近定理，它说明神经网络可以逼近$R^n$的一个紧子集上的任意连续函数。对于坡度增强的树木，是否有类似的结果？

浏览 0提问于2018-06-07得票数 15

1回答

不可训练问题

、、、

在面对这问题之前，我一直认为不可学习的问题是那些为问题提供的数据有大量异常值的问题，那些没有足够的特征的问题，或者那些由于具有不同标签的相同特征而导致的Bayes误差较大的问题。正如您所看到的，数据似乎很好，因为学习应该与人类水平的推断相比较。人只要看一眼就能区分偶数或奇数。我知道，我们作为人类开始，在我们的头脑中做模数2运算，决定一个数字是偶数还是奇数，特征提取部分，但我们只是用数字本身。显然，由于输入具有可选行为，我们无法找到能够泛化的决策边界。1是偶数，2是奇数，3是偶数，4是奇数，所有其他数都是这样。我想知道这样的问题，没有提到的问题，可能会导致算法学习，有什么特别的名称吗？

浏览 0提问于2017-12-27得票数 0

回答已采纳

1回答