神经网络分类器优缺点
@邓岚4082：贝叶斯网络分类器和神经网络分类器的区别 -
后司15741732950…… 贝叶斯分类器由概率统计得出,和神经网络都需要经过训练得到相应的分类的功能,如果非要说区别的话就是结构上的区别,神经网络通过高阶级数或者几何空间逼近,无数多的节点构成了非常复杂的数据相关性,而贝叶斯分类器则通过每个模式(事件几何下)中发生该事件的概率来反过来推导发生该这些事件概率后 属于那种模式,理论上神经网络是连续系统,贝叶斯不是连续的,并且贝叶斯不能处理维度间高度相关性的事件(这就好比 z=ax+by ,但y里又有x的相关因子,x和y并不独立),而神经网络没这个问题.
@邓岚4082：人工神经网络缺点是什么?
后司15741732950…… 但缺点是它不能处理和描述模糊信息,不能很好利用已有的经验知识,特别是学习及问题的求解具有黑箱的特性,其工作不具有可解释性,同时它对样本的要求较高;模糊系统相对于神经网络而言,具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点,但它同时又存在人工干预多、推理速度慢、精度较低等缺点,很难实现自适应学习的功能,而且如何自动生成和调整隶属度函数和模糊规则,是一个棘手的问题
@邓岚4082：神经网络方法的主要优点有哪些?
后司15741732950…… 它的主要优点是描述简单,分类速度快,特别适合大规模的数据处理
@邓岚4082：bp神经网络用于分类时和其他分类方法相比有哪些区别 -
后司15741732950…… k近邻属于聚类分析的一种吧,是无指导的分类方法,即根据数据之间的相似度,把数据分到不同的组中.神经网络会训练一种模式,然后预测给出的数据属于哪一类,属于有指导的分类方法.支持向量机不太清楚,呵呵
@邓岚4082：模式识别中神经网络与SVM比,有优势么?如果有,在哪里呢? -
后司15741732950…… 说不上优势,只是使用中方便性有点差别 神经网络的结构比较适合做多分类问题, SVM本质上是处理二分类问题,当然通过1v1或1vall的方式也可以做多分类
@邓岚4082：BP神经网络的应用不足 -
后司15741732950…… 神经网络可以用作分类、聚类、预测等.神经网络需要有一定量的历史数据,通过历史数据的训练,网络可以学习到数据中隐含的知识.在你的问题中,首先要找到某些问题的一些特征,以及对应的评价数据,用这些数据来训练神经网络.虽然...
@邓岚4082：RBF神经网络和BP神经网络有什么区别 -
后司15741732950…… 1.RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP网络的结构要比RBF 网络简单.2. RBF 网络的逼近精度要明显高于BP 网络,它几乎能实现完全逼近, 而且设计起来极其方便, 网络可以自动增加神...
@邓岚4082：为什么利用BP神经网络设计的分类器训练完后 实际测试时其输出的分类值不变,就是分不出类别啊,急,谢谢了 -
后司15741732950…… 有可能是训练样本,两类样本数量相差悬殊 ,你那神经网络什么结构,什么训练方式,你确信通过超曲面能把样本分开?因为BP神经网络分类器是在拟合一种超曲面分类器,如果样本不可分,或者特征变量没选好,训练神经网络是不可能达到目的的.
@邓岚4082：何为机器学习 -
后司15741732950…… 机器学习通过从数据里提取规则或模式来把数据转换成信息.主要的方法有归纳学习法和分析学习法.数据首先被预处理,形成特征,然后根据特征创建某种模型.机器学习算法分析收集到的数据,分配权重、阈值和其他参数达到学习目的....
@邓岚4082：朴素贝叶斯分类器和一般的贝叶斯分类器有什么区别 -
后司15741732950…… 朴素贝叶斯分类器(Naive Bayes classifier)的朴素(Naive)之处在于,其假设了各个特征之间是独立的.以垃圾邮件分类器为例,如果训练样本中一半的垃圾邮件含有“促销伟哥”字样,另一半有“正品劳力士”,则朴素贝叶斯分类器认为,一个垃圾邮件同时含有“伟哥”和“劳力士”的概率是0.25.(只考虑“伟哥”和“劳力士”这两个词) 只要是基於贝叶斯理论的分类器就可以叫贝叶斯分类器,朴素贝叶斯分类器的叫法是因为它是优化过的一种运算性能高的算法(wikipedia 上的英语页只给了朴素贝叶斯分类其的定义).贝叶斯网络是一种基於贝叶斯理论以 DAG 形式描述全局概率分布的一种统计方法,不属於分类器的一种,主要用於贝叶斯推断.
后司15741732950…… 贝叶斯分类器由概率统计得出,和神经网络都需要经过训练得到相应的分类的功能,如果非要说区别的话就是结构上的区别,神经网络通过高阶级数或者几何空间逼近,无数多的节点构成了非常复杂的数据相关性,而贝叶斯分类器则通过每个模式(事件几何下)中发生该事件的概率来反过来推导发生该这些事件概率后 属于那种模式,理论上神经网络是连续系统,贝叶斯不是连续的,并且贝叶斯不能处理维度间高度相关性的事件(这就好比 z=ax+by ,但y里又有x的相关因子,x和y并不独立),而神经网络没这个问题.
@邓岚4082：人工神经网络缺点是什么?
后司15741732950…… 但缺点是它不能处理和描述模糊信息,不能很好利用已有的经验知识,特别是学习及问题的求解具有黑箱的特性,其工作不具有可解释性,同时它对样本的要求较高;模糊系统相对于神经网络而言,具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点,但它同时又存在人工干预多、推理速度慢、精度较低等缺点,很难实现自适应学习的功能,而且如何自动生成和调整隶属度函数和模糊规则,是一个棘手的问题
@邓岚4082：神经网络方法的主要优点有哪些?
后司15741732950…… 它的主要优点是描述简单,分类速度快,特别适合大规模的数据处理
@邓岚4082：bp神经网络用于分类时和其他分类方法相比有哪些区别 -
后司15741732950…… k近邻属于聚类分析的一种吧,是无指导的分类方法,即根据数据之间的相似度,把数据分到不同的组中.神经网络会训练一种模式,然后预测给出的数据属于哪一类,属于有指导的分类方法.支持向量机不太清楚,呵呵
@邓岚4082：模式识别中神经网络与SVM比,有优势么?如果有,在哪里呢? -
后司15741732950…… 说不上优势,只是使用中方便性有点差别 神经网络的结构比较适合做多分类问题, SVM本质上是处理二分类问题,当然通过1v1或1vall的方式也可以做多分类
@邓岚4082：BP神经网络的应用不足 -
后司15741732950…… 神经网络可以用作分类、聚类、预测等.神经网络需要有一定量的历史数据,通过历史数据的训练,网络可以学习到数据中隐含的知识.在你的问题中,首先要找到某些问题的一些特征,以及对应的评价数据,用这些数据来训练神经网络.虽然...
@邓岚4082：RBF神经网络和BP神经网络有什么区别 -
后司15741732950…… 1.RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP网络的结构要比RBF 网络简单.2. RBF 网络的逼近精度要明显高于BP 网络,它几乎能实现完全逼近, 而且设计起来极其方便, 网络可以自动增加神...
@邓岚4082：为什么利用BP神经网络设计的分类器训练完后 实际测试时其输出的分类值不变,就是分不出类别啊,急,谢谢了 -
后司15741732950…… 有可能是训练样本,两类样本数量相差悬殊 ,你那神经网络什么结构,什么训练方式,你确信通过超曲面能把样本分开?因为BP神经网络分类器是在拟合一种超曲面分类器,如果样本不可分,或者特征变量没选好,训练神经网络是不可能达到目的的.
@邓岚4082：何为机器学习 -
后司15741732950…… 机器学习通过从数据里提取规则或模式来把数据转换成信息.主要的方法有归纳学习法和分析学习法.数据首先被预处理,形成特征,然后根据特征创建某种模型.机器学习算法分析收集到的数据,分配权重、阈值和其他参数达到学习目的....
@邓岚4082：朴素贝叶斯分类器和一般的贝叶斯分类器有什么区别 -
后司15741732950…… 朴素贝叶斯分类器(Naive Bayes classifier)的朴素(Naive)之处在于,其假设了各个特征之间是独立的.以垃圾邮件分类器为例,如果训练样本中一半的垃圾邮件含有“促销伟哥”字样,另一半有“正品劳力士”,则朴素贝叶斯分类器认为,一个垃圾邮件同时含有“伟哥”和“劳力士”的概率是0.25.(只考虑“伟哥”和“劳力士”这两个词) 只要是基於贝叶斯理论的分类器就可以叫贝叶斯分类器,朴素贝叶斯分类器的叫法是因为它是优化过的一种运算性能高的算法(wikipedia 上的英语页只给了朴素贝叶斯分类其的定义).贝叶斯网络是一种基於贝叶斯理论以 DAG 形式描述全局概率分布的一种统计方法,不属於分类器的一种,主要用於贝叶斯推断.
