![Radial Basis Function Network (RBF hálózat) - Technológia Radial Basis Function Network (RBF hálózat) - Technológia](https://a.continuousdev.com/technology/radial-basis-function-network-rbf-network.gif)
Tartalom
- Meghatározás - Mit jelent a Radial Basis Function Network (RBF hálózat)?
- Bevezetés a Microsoft Azure és a Microsoft Cloud | A jelen útmutató során megtanulja, mi szól a felhőalapú számítástechnikából, és hogyan segítheti a Microsoft Azure a felhőből történő migrációt és az üzleti vállalkozás futtatását.
- A Techopedia magyarázza a Radial Basis Function Network-t (RBF Network)
Meghatározás - Mit jelent a Radial Basis Function Network (RBF hálózat)?
A radiális alapú függvényhálózat egy felügyelt mesterséges ideghálózat, amely felügyelt gépi tanulást (ML) használ nemlineáris osztályozóként történő működéshez. A nemlineáris osztályozók kifinomult függvényeket használnak, hogy tovább menjenek az elemzésben, mint az egyszerű lineáris osztályozók, amelyek alacsonyabb dimenziós vektorokon működnek.
A sugárirányú alapfunkciós hálózat sugárirányú alaphálózatként is ismert.
Bevezetés a Microsoft Azure és a Microsoft Cloud | A jelen útmutató során megtanulja, mi szól a felhőalapú számítástechnikából, és hogyan segítheti a Microsoft Azure a felhőből történő migrációt és az üzleti vállalkozás futtatását.
A Techopedia magyarázza a Radial Basis Function Network-t (RBF Network)
Prototípuskészlettel és más edzési példákkal együtt a neuronok a bemeneti vektor segítségével megvizsgálják a bemenet és a prototípus közötti távolságot.
A mesterséges idegsejtek aktiválási funkciói olyan kimeneteket vezetnek, amelyek különféle módon reprezentálhatók annak bemutatására, hogy a hálózat hogyan osztályozza az adatpontokat. A sugárirányú alapfunkciós hálózat sugárirányú alapfunkciókat használ aktivációs funkcióikként. Más idegi hálózatokhoz hasonlóan a sugárirányú alapú függvény hálózatoknak bemeneti, rejtett és kimeneti rétegek vannak. A radiális bázisú hálózatok azonban gyakran tartalmaznak valamilyen nemlineáris aktivációs funkciót is. A kimeneti súlyokat gradiens leszállás segítségével lehet kiképezni.Egyesek szerint az RBF megközelítés viszonylag "intuitív" és jó módszer a speciális ML problémák kezelésére.