「単純パーセプトロン」の版間の差分

ビジュアルウィキテキスト

2024年8月16日 (金) 07:47時点における最新版

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[編集 | ソースを編集]

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[編集 | ソースを編集]

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[編集 | ソースを編集]

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：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。

制限事項[編集 | ソースを編集]

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。

@@ 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。
-=== 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 />
-=== 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：
-* '''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 />
 [[カテゴリ:機械学習]]