Aktivierung der Funktion für den output-layer für die REGRESSIONSMODELLE in Neuronalen Netzen
Ich war das Experimentieren mit neuronalen Netzen in diesen Tagen. Ich habe eine Allgemeine Frage bezüglich der Aktivierung der Funktion zu verwenden. Dies könnte eine bekannte Tatsache, aber ich konnte nicht verstehen, richtig. Viele der Beispiele und Papieren, die ich gesehen habe, sind arbeiten über die Einstufung der Probleme und entweder Sie verwenden sigmoid (im binären Fall) oder softmax (in mehr-Klassen-Fall), wie die Aktivierung der Funktion in der out-put-layer und es macht Sinn. Aber ich habe nicht gesehen, keine Aktivierung, - Funktion verwendet, in die output-Schicht eines Regressionsmodells.
Also meine Frage ist, ist es durch Wahl, verwenden wir keine Aktivierungsfunktion in der Ausgabe-layer-regression-Modell, wie wir nicht wollen, dass die Aktivierungs-Funktion zu begrenzen oder um Einschränkungen für den Wert. Der Wert kann eine beliebige Zahl und so groß wie Tausende, so dass die Aktivierung sigmoid-Funktion wie zum tanh nicht sinnvoll. Oder gibt es irgendeinen anderen Grund? Oder wir können tatsächlich verwenden einige Aktivierungs-Funktion, die für diese Art von Problemen?
Du musst angemeldet sein, um einen Kommentar abzugeben.
Wenn Sie, sagen wir, eine Sigmoid als Aktivierungsfunktion in der Ausgabe-Schicht der NN werden Sie niemals einen Wert kleiner als 0 und größer als 1 ist.
Grundsätzlich, wenn die Daten, die Sie versuchen, vorherzusagen sind verteilt in diesem Bereich könnten Sie Ansatz mit einer Sigmoid-Funktion und testen Sie, ob Ihre Vorhersage funktioniert gut auf Ihre Ausbildung legen.
Sogar noch allgemeiner, wenn eine Vorhersage der Daten sollten Sie die Funktion für Ihre Daten in der effektivste Weg.
Daher, wenn Sie Ihre echten Daten nicht passen Sigmoid-Funktion, auch Sie haben zu denken, von einer anderen Funktion (z.B. bestimmte Polynom-Funktion oder eine periodische Funktion oder eine andere oder eine Kombination von Ihnen), aber Sie sollten auch immer die Pflege, wie leicht Sie bauen Ihre Kosten, Funktion und Bewertung von Derivaten.
für die lineare regression Art von problem, Sie können einfach erstellen Sie die Output-Schicht ohne Aktivierung der Funktion, wie wir daran interessiert sind, in numerische Werte ohne transformation.
mehr info :
https://machinelearningmastery.com/regression-tutorial-keras-deep-learning-library-python/
für die Einstufung :
Sie können Sigma, tanh, Softmax etc.