「単純パーセプトロン」を編集中

'''単純パーセプトロン'''とは、入力として[[配列]]（特徴ベクトル）を受け取り、出力として0または1の数字を返す単純な[[ニューラルネットワーク]]のことです。

===構造===

#入力層：[[特徴ベクトル]]（例：[x_1, x_2, …, x_n]）を受け取ります。
#重み：各入力に対する重み（例：[w_1, w_2, …, w_n]）。これらの重みは学習プロセス中に調整されます。
#バイアス：バイアス項（例：b）。これは、モデルの柔軟性を高めるために使用されます。
#[[活性化関数]]：[[ステップ関数]]（または[[ヘヴィサイド関数]]）を使用して、出力を0または1に変換します。

===動作===

#入力の受け取り：特徴ベクトル[x_1, x_2, …, x_n]を入力として受け取ります。
#線形結合の計算：入力と重みの線形結合を計算し、バイアスを加えます。 [ z = \sum_{i=1}^{n} w_i x_i + b ]
#活性化関数の適用：ステップ関数を適用し、出力を0または1に変換します。 [ y = \begin{cases} 1 & \text{if } z \geq 0 \ 0 & \text{if } z < 0 \end{cases} ]

===学習プロセス===

#初期化：重みとバイアスをランダムに初期化します。
#予測：現在の重みとバイアスを使用して、入力データに対する予測を行います。
#誤差の計算：予測と実際のラベルとの誤差を計算します。
#<nowiki>重みとバイアスの更新：誤差に基づいて重みとバイアスを更新します。更新は以下のように行います： [ w_i = w_i + \Delta w_i ] [ \Delta w_i = \eta (y_{\text{true}} - y_{\text{pred}}) x_i ] [ b = b + \eta (y_{\text{true}} - y_{\text{pred}}) ] ここで、(\eta)は学習率です。</nowiki>

<br />

===制限事項===
単純パーセプトロンにはいくつかの制限があります：

*線形分離可能性：単純パーセプトロンは、線形分離可能なデータのみを正確に分類できます。非線形なデータには対応できません。
*複雑なパターンの学習：複雑なパターンや多クラス分類には適していません。

<br />
[[カテゴリ:機械学習]]