Nilalaman
- Kahulugan - Ano ang kahulugan ng Radial Basis Function Network (RBF Network)?
- Isang Panimula sa Microsoft Azure at ang Microsoft Cloud | Sa buong gabay na ito, malalaman mo kung ano ang lahat ng cloud computing at kung paano makakatulong ang Microsoft Azure sa iyo upang lumipat at patakbuhin ang iyong negosyo mula sa ulap.
- Ipinapaliwanag ng Techopedia ang Radial Basis Function Network (RBF Network)
Kahulugan - Ano ang kahulugan ng Radial Basis Function Network (RBF Network)?
Ang isang network ng function na radial basis ay isang uri ng pinangangasiwaan na artipisyal na neural network na gumagamit ng supervised machine learning (ML) upang gumana bilang isang nonlinear classifier. Ang mga nonlinear na klasipikasyon ay gumagamit ng mga sopistikadong pag-andar upang pumunta sa karagdagang pagsusuri kaysa sa mga simpleng linear na klasipikasyon na gumagana sa mga mas mababang-dimensional na mga vector.
Ang isang network ng function na radial basis ay kilala rin bilang isang radial basis network.
Isang Panimula sa Microsoft Azure at ang Microsoft Cloud | Sa buong gabay na ito, malalaman mo kung ano ang lahat ng cloud computing at kung paano makakatulong ang Microsoft Azure sa iyo upang lumipat at patakbuhin ang iyong negosyo mula sa ulap.
Ipinapaliwanag ng Techopedia ang Radial Basis Function Network (RBF Network)
Gamit ang isang hanay ng mga prototypes kasama ang iba pang mga halimbawa ng pagsasanay, tinitingnan ng mga neuron ang distansya sa pagitan ng isang pag-input at isang prototype, gamit ang tinatawag na isang input vector.
Ang mga pag-andar ng activation ng mga artipisyal na neuron ay nagtutulak ng mga output na maaaring kinakatawan sa iba't ibang paraan upang maipakita kung paano ang pag-uuri ng network ng mga puntos ng data. Ang network ng function ng radial basis function ay gumagamit ng mga function na batayan ng radial bilang pag-andar ng pag-activate nito. Tulad ng iba pang mga uri ng mga neural network, ang mga network ng function na radial basis network ay may mga layer ng input, nakatagong mga layer at mga layer ng output. Gayunpaman, ang mga network ng function na radial basis ay madalas na nagsasama ng isang nonlinear function ng pag-activate ng ilang uri. Ang mga timbang ng output ay maaaring sanayin gamit ang gradient descent.Ang ilan ay isinasaalang-alang ang isang diskarte sa RBF na medyo "madaling maunawaan" at isang mahusay na paraan upang matugunan ang mga dalubhasang mga problema sa ML.