通过反向传播误差学习表征

[tanjimajha12]

稀疏学习表征
稀疏学习是指使用给定的样本对象构建信息丰富的对象。它也被称为稀疏近似，用于线性方程。它主要用于图像处理、信号处理、成像技术等。

在二维方程中，只有 x 行和 y 列，具有 x*y 的值。与其他方法相比，稀疏表示已成为一种常用工具。


它是帮助构建和训练具有隐藏层的 柬埔寨手机号码数据库 神经网络的算法之一。具有多个隐藏层的神经网络被称为深度神经网络，反向传播误差用于训练此类深度神经网络。

基本思想是调整网络中连接的权重，以最小化实际输出和期望输出之间的差异。随着权重的调整，隐藏的内部对象代表了任务的特征。

反向传播误差的概念是在输出端识别误差，并在网络层中向后分布。该术语由多位研究人员在 20 世纪 60 年代早期提出，并在计算机上实现。

表征学习
通过反向传播误差学习表征来源 – acolyer
以下是反向传播误差表示的一些优点和缺点：
优点：
这些非常准确的错误是在结果中识别出来的并且分布回隐藏层。
这些方法比任何其他分析方法都更便宜
缺点：
这是一种耗时的方法，因为我们先让整个过程运行，然后在识别出错误后再返回，这与其他方法相比通常非常耗时。
决策树表示
决策树表示法是表征学习中最强大的分类和回归方法。这些结构像树一样，通过这些结构可以直观、明确地表示决策和决策过程。

决策树是上下颠倒或反之绘制的，从左到右或从右到左，其中节点表示对属性的测试，分支表示关键结果，叶节点表示类标签。

决策树图中的三个节点表示如下：

决策节点——方块
机会节点 – 圆圈
末端节点——三角形
分类树用于对诸如死亡或生存、开业或关闭、盈利或亏损等决策进行分类，而回归树用于预测连续值。

决策树用于运筹学和运营管理。

以下是决策树表示的一些优点和缺点：
优点：
非常简单明了，如果您清楚规则，就可以快速轻松地进行解释。
可用于分析复杂数据
可与其他技术和工具一起使用
缺点：
由于数据是相互连接的，因此数据的微小变化可能会导致整个树结构的变化。
如果要达到 100% 的准确度，这不是最好的方法。有更好的工具可以确保这一点。
计算的表示会变得复杂，尤其是当结果相互关联在一起时。
机器学习中决策树表示的成功与其中使用的特征成正比。机器学习在创建特征时使用了大量人工干预，这些特征是经过研究和反复试验后基于知识的。