我目前正在總結 7.3 神經網路的最終實踐預測建模和文本挖掘模組中的JMP STIPS 課程。擬合神經網路並理解隱藏層中節點作為迴歸模型的基本功能看起來直觀上很容易。 然而，我想知道是否並且希望社區中更有洞察力的人可以回答我在剛剛接受的非常基本的培訓後仍然存在的問題。 對於我想討論的例子，我使用了文件綠色聚合物生產.jmp以及JMP的標準版。 隨附包含模型的文件副本。
模型圖如下所示。 我們可以看到八個預測變數中每一個的資料都被輸入到隱藏層中的三個節點中的每一個。 該層中的每個節點都使用 TanH 激活函數。
我已將模型的公式儲存到表中。 三個節點中每個節點所使用的公式的螢幕截圖如下所示。
問題#1：如何解釋每個節點對於相同的激活函數具有不同的公式？直觀上，期望在每個節點中使用相同的公式似乎很天真，但我仍然想知道 JMP 如何得出如下所示的結果。 我想到的一種解釋是每個節點接收不同的輸入數據，這會導致我期望不同的公式，如下所示，但這種假設可能是完全錯誤的。
問題#2：誰可以分享一些好的參考資料（最好使用現象學解釋）來供初學者閱讀神經網路？
乾杯@Victor_G ，我毫不懷疑這會提高我的理解力。 我很感激。
你好@雷塞爾,
祝你新年快樂 ！
關於您的問題：
- 通用逼近定理（ https://en.m.wikipedia.org/wiki/Universal_approximation_theorem ）指出具有足夠隱藏層和神經元數量的神經網路能夠表示任何線性或非線性函數。 它們能夠逼近各種各樣的函數/輪廓，因為它們依賴多個簡單數學函數（TanH、Sigmoid 等）的加權組合。 每個節點只是試圖獲得它試圖解決的難題（函數）的有用部分，因此相同的數據進來，但創建不同的部分（最終函數）以進行組合併獲得所需的輸出。
在您的螢幕截圖中，三個 TanH 函數與不同的權重（以及混合輸入的不同公式）相結合，以獲得最終的預測公式。
關於資源：
- 您可以查看此網站，其中詳細解釋了使用神經網路重建函數的範例： http://neuralnetworksanddeeplearning.com/chap4.html#:~:text=No%20matter%20what%20the%20function,m)%2C%20and%20many%20outputs
- 我也非常喜歡 YouTube 頻道 StatQuest，其中 Josh Starmer 在一個簡單的用例中對神經網路的內部運作原理做了很好的解釋： https://youtu.be/CqOfi41LfDw?si=leA0KeTcgSY3YW70
- 還有一個關於神經網路的專門學習頁面，由 MLUExplain 團隊完成，做得非常好且易於理解： https://mlu-explain.github.io/neural-networks/
- 最後，您還可以在這個互動式神經網路遊樂場中針對各種用例分類/回歸嘗試不同的神經網路配置，以查看權重的訓練和擬合是如何完成的： https://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle®Dataset=reg-plane&learningRate=0.03®ularizationRate=0&noise=0&networkShape=4,2&seed=0.88242&noise=0&networkShape=4,2&seed=0.88242&Falise=0&networkShape=4,2&seed=0.88242&F)> TimesY=false&xSquared=false &y 平方=假&cosX=假&sinX=假&cosY=假&sinY=假&collectStats=假&問題=分類&initZero=假&hideText=假
我希望第一個答案能對您有幫助:)
