Professional Documents
Culture Documents
Neural Network
Neural Network
Mạng Neuron
• Mô hình hóa thống kê truyền thống và mạng neuron là các lĩnh
vực có liên quan mật thiết với nhau
• Khác biệt chính:
• Thống kê truyền thống: tập trung vào các bài toán tuyến tính
• Mạng neuron: Tập trung vào bài toán phi tuyến
• Phần giao nhau giữa 2 lĩnh vực này là kỹ thuật lan truyền
ngược
• Lan truyền ngược là kỹ thuật trọng tâm của mạng neuron, nhưng thực
chất nó lại là một công cụ mô hình hóa thống kê
Mô hình hóa thống kê
• Xét bài toán ”Buổi tiệc thường niên của CLB”
• Đầu vào: Các người tham gia báo trước với CLB trước 1 thời gian
• Đầu ra: Dự đoán số người thực sự đến dựa trên cơ sở số người báo trước
• Giải pháp: Xét mối liên hệ thống kê khoảng 10 năm: số người đến=0.85*Số
người báo trước
• Tập mẫu: Dữ liệu của các buổi tiệc thống kê trong 10 năm
• Biến độc lập: số người báo trước
• Biến phụ thuộc: Số người đến
• Phương trình hồi quy tuyến tính của thống kê:
Y=a0+∑Ii=1aixi
• Biến phụ thuộc: y
• I là số các biến độc lập xi
• a0 ,…, ai là các tham số được xác định bằng phương pháp hồi quy
• Với bài toán trên có PT Tuyến tính là: y=0.85x => Hàm ánh xạ có dạng đường thẳng
Mô hình hóa thống kê
• Nếu bài toán có 2 biến độc lập và 1 biến phụ thuộc => PT hồi
quy sẽ xác định 1 mặt phẳng trong không gian 3 chiều
• Bài toán n biến độc lập => không gian n+1 chiều => xác định
biến phụ thuộc
• Do biến phụ thuộc xác định qua biến độc lập qua thống
kê=> có sai số
• Cách tính sai số: Trung bình bình phương của các độ lệch
E=(1/2∑n=1N (yn-tn)2)/N
• E: Sai số, N: Số mẫu trong tập mẫu, yn,tn là giá trị thực và giá trị đích mẫu
thứ n
Mô hình hóa thống kê
• Nguyên nhân gây sai số:
Số người đến dự
Hàm ánh xạ
Hàm đích
1
Chọn hàm truyền: f ( x) =
1+ e −x