2024年8月16日 (金) 07:47にAdministratorによる

2024-08-16T07:47:06Z

← 古い版		2024年8月16日 (金) 07:47時点における版
1行目:		1行目:
	'''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。		'''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 ===		===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。		#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。		#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。~~		#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。~~		#[[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 ===		===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。		#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 ]		#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} ]		#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 ===		===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。~~		#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。~~		#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。~~		#誤差の計算：予測と実際のラベルとの誤差を計算します。
	# ~~'''重みとバイアスの更新'''~~<nowiki>~~：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>		#<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 />		<br />

	=== 制限事項 ===		===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：		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。~~		*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。~~		*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 />		<br />
	[[カテゴリ:機械学習]]		[[カテゴリ:機械学習]]

Administrator: ページの作成:「'''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…」

2024-08-16T03:07:07Z

ページの作成:「'''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…」

新規ページ

'''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。
# '''重みとバイアスの更新'''<nowiki>：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]]

単純パーセプトロン - 版の履歴

2024年8月16日 (金) 07:47にAdministratorによる

Administrator: ページの作成:「'''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…」