ดูเหมือนว่าเป็นไปได้ที่จะได้ผลลัพธ์ที่คล้ายคลึงกับเครือข่ายประสาทที่มีการถดถอยเชิงเส้นหลายตัวแปรในบางกรณีและการถดถอยเชิงเส้นหลายตัวแปรนั้นรวดเร็วและง่ายมาก
เครือข่ายประสาทสามารถให้ผลลัพธ์ที่ดีกว่าการถดถอยเชิงเส้นหลายตัวแปรในสถานการณ์ใดบ้าง
ดูเหมือนว่าเป็นไปได้ที่จะได้ผลลัพธ์ที่คล้ายคลึงกับเครือข่ายประสาทที่มีการถดถอยเชิงเส้นหลายตัวแปรในบางกรณีและการถดถอยเชิงเส้นหลายตัวแปรนั้นรวดเร็วและง่ายมาก
เครือข่ายประสาทสามารถให้ผลลัพธ์ที่ดีกว่าการถดถอยเชิงเส้นหลายตัวแปรในสถานการณ์ใดบ้าง
คำตอบ:
โครงข่ายประสาทสามารถอยู่ในรูปแบบหลักการแบบไม่เชิงเส้นโดยอัตโนมัติ (ดูทฤษฎีการประมาณแบบสากล ) ซึ่งคุณจะต้องสร้างแบบจำลองอย่างชัดเจนโดยใช้การแปลง (เส้นโค้งเป็นต้น) ในการถดถอยเชิงเส้น
ข้อแม้: สิ่งล่อใจให้มีน้ำหนักเกินสามารถแข็งแกร่งในเครือข่ายประสาทมากกว่าในการถดถอยเนื่องจากการเพิ่มเลเยอร์หรือเซลล์ประสาทที่ซ่อนอยู่นั้นดูไม่เป็นอันตราย ดังนั้นควรระมัดระวังเป็นพิเศษในการดูประสิทธิภาพการทำนายตัวอย่าง
คุณพูดถึงการถดถอยเชิงเส้น สิ่งนี้เกี่ยวข้องกับการถดถอยโลจิสติกส์ซึ่งมีอัลกอริธึมการเพิ่มประสิทธิภาพที่รวดเร็วคล้ายกัน หากคุณมีขอบเขตในค่าเป้าหมายเช่นปัญหาการจัดหมวดหมู่คุณสามารถดูการถดถอยโลจิสติกเป็นการวางหลักเกณฑ์ทั่วไปของการถดถอยเชิงเส้น
เครือข่ายนิวรัลมีความเข้มงวดมากกว่าการถดถอยแบบโลจิสติกส์ในอินพุตดั้งเดิมเนื่องจากสอดคล้องกับเครือข่ายข้ามชั้น (ด้วยการเชื่อมต่อโดยตรงที่เชื่อมต่ออินพุตกับเอาต์พุต) ด้วยโหนดที่ซ่อนอยู่
หนึ่งกลยุทธ์ระดับกลางคือการเลือกโหนดสุ่มจำนวนมากคล้ายกับสิ่งที่เกิดขึ้นเมื่อคุณเริ่มต้นเครือข่ายนิวรัลและแก้ไขน้ำหนักอินพุตกับการซ่อน การปรับให้เหมาะสมกับน้ำหนัก * -to-output ยังคงเป็นแบบเชิงเส้น สิ่งนี้เรียกว่าเครื่องเรียนรู้ขั้นสูง มันทำงานอย่างน้อยเช่นเดียวกับการถดถอยโลจิสติกเดิม
การถดถอยเชิงเส้นมีจุดมุ่งหมายเพื่อแยกข้อมูลที่แยกได้เป็นเส้นตรงใช่คุณอาจใช้พหุนามหลายระดับ> เพิ่มเติม แต่ในแบบที่คุณระบุสมมติฐานบางอย่างเกี่ยวกับข้อมูลที่คุณมีอีกครั้งเนื่องจากคุณกำหนดโครงสร้างของฟังก์ชันวัตถุประสงค์ ใน Neural Net โดยทั่วไปคุณมีเลเยอร์อินพุตที่สร้างตัวคั่นเชิงเส้นสำหรับข้อมูลที่คุณมีและเลเยอร์ที่ซ่อนอยู่และขอบเขตที่ จำกัด คลาสและเลเยอร์สุดท้ายหรือภูมิภาคเหล่านี้ทั้งหมด ด้วยวิธีนี้ข้อมูลทั้งหมดที่คุณมีสามารถจัดประเภทด้วยวิธีที่ไม่เป็นเชิงเส้นกระบวนการเหล่านี้ทั้งหมดจะไปพร้อมกับน้ำหนักที่เรียนรู้ภายในและฟังก์ชั่นที่กำหนดไว้ นอกจากนี้การเพิ่มหมายเลขคุณลักษณะสำหรับการถดถอยเชิงเส้นตรงข้ามกับ "คำสาปของมิติ" นอกจากนี้บางแอปพลิเคชันต้องการผลลัพธ์ที่น่าจะเป็นมากกว่าตัวเลขคงที่ในรูปแบบเอาต์พุต