我目前正在总结 7.3 神经网络的最终实践预测建模和文本挖掘模块中的JMP STIPS 课程。拟合神经网络并理解隐藏层中节点作为回归模型的基本功能看起来直观上很容易。 然而，我想知道是否并且希望社区中更有洞察力的人可以回答我在刚刚接受的非常基本的培训后仍然存在的问题。 对于我想讨论的例子，我使用了文件绿色聚合物生产.jmp以及JMP的标准版本。 随附包含模型的文件副本。
模型图如下所示。 我们可以看到八个预测变量中每一个的数据都被输入到隐藏层中的三个节点中的每一个中。 该层中的每个节点都使用 TanH 激活函数。
我已将模型的公式保存到表中。 三个节点中每个节点使用的公式的屏幕截图如下所示。
问题#1：如何解释每个节点对于相同的激活函数具有不同的公式这一事实？直观上，期望在每个节点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结果。 我想到的一种解释是每个节点接收不同的输入数据，这将导致我期望不同的公式，如下所示，但这种假设可能是完全错误的。
问题#2：谁可以分享一些好的参考资料（最好使用现象学解释）来供初学者阅读神经网络？
干杯@Victor_G ，我毫不怀疑这会提高我的理解力。 我很感激。
你好@雷塞尔,
祝你新年快乐 ！
关于您的问题：
- 通用逼近定理（ https://en.m.wikipedia.org/wiki/Universal_approximation_theorem ）指出具有足够隐藏层和神经元数量的神经网络能够表示任何线性或非线性函数。 它们能够逼近各种各样的函数/轮廓，因为它们依赖于多个简单数学函数（TanH、Sigmoid 等）的加权组合。 每个节点只是试图获得它试图解决的难题（函数）的有用部分，因此相同的数据进来，但创建不同的部分（最终函数）以进行组合并获得所需的输出。
在您的屏幕截图中，三个 TanH 函数与不同的权重（以及混合输入的不同公式）相结合，以获得最终的预测公式。
关于资源：
- 您可以查看此网站，其中详细解释了使用神经网络重建函数的示例： http://neuralnetworksanddeeplearning.com/chap4.html#:~:text=No%20matter%20what%20the%20function,m)%2C%20and%20many%20outputs
- 我也非常喜欢 YouTube 频道 StatQuest，其中 Josh Starmer 在一个简单的用例中对神经网络的内部工作原理做了很好的解释： https://youtu.be/CqOfi41LfDw?si=leA0KeTcgSY3YW70
- 还有一个关于神经网络的专门学习页面，由 MLUExplain 团队完成，做得非常好且易于理解： https://mlu-explain.github.io/neural-networks/
- 最后，您还可以在这个交互式神经网络游乐场中针对各种用例分类/回归尝试不同的神经网络配置，以查看权重的训练和拟合是如何完成的： 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&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=false&xSquared=false &y 平方=假&cosX=假&sinX=假&cosY=假&sinY=假&collectStats=假&问题=分类&initZero=假&hideText=假
我希望第一个答案能对您有所帮助:)
