Inhalt
- Definition - Was bedeutet Radial Basis Function Network (RBF-Netzwerk)?
- Eine Einführung in Microsoft Azure und die Microsoft Cloud | In diesem Handbuch erfahren Sie, worum es beim Cloud-Computing geht und wie Microsoft Azure Sie bei der Migration und Ausführung Ihres Unternehmens aus der Cloud unterstützen kann.
- Techopedia erklärt das Radial Basis Function Network (RBF-Netzwerk)
Definition - Was bedeutet Radial Basis Function Network (RBF-Netzwerk)?
Ein radiales Basisfunktionsnetzwerk ist eine Art überwachtes künstliches neuronales Netzwerk, das überwachtes maschinelles Lernen (ML) verwendet, um als nichtlinearer Klassifikator zu fungieren. Nichtlineare Klassifikatoren verwenden ausgefeilte Funktionen, um die Analyse zu vereinfachen, als einfache lineare Klassifikatoren, die mit Vektoren mit niedrigeren Dimensionen arbeiten.
Ein radiales Basisfunktionsnetzwerk wird auch als radiales Basisnetzwerk bezeichnet.
Eine Einführung in Microsoft Azure und die Microsoft Cloud | In diesem Handbuch erfahren Sie, worum es beim Cloud-Computing geht und wie Microsoft Azure Sie bei der Migration und Ausführung Ihres Unternehmens aus der Cloud unterstützen kann.
Techopedia erklärt das Radial Basis Function Network (RBF-Netzwerk)
Mit einer Reihe von Prototypen und anderen Trainingsbeispielen untersuchen Neuronen die Entfernung zwischen einer Eingabe und einem Prototyp mithilfe eines sogenannten Eingabevektors.
Die Aktivierungsfunktionen künstlicher Neuronen steuern Ausgänge, die auf unterschiedliche Weise dargestellt werden können, um zu zeigen, wie das Netzwerk Datenpunkte klassifiziert. Das radiale Basisfunktionsnetz verwendet radiale Basisfunktionen als Aktivierungsfunktionen. Wie andere Arten von neuronalen Netzen weisen radiale Basisfunktionsnetze Eingangsschichten, versteckte Schichten und Ausgangsschichten auf. Radiale Basisfunktionsnetzwerke enthalten jedoch häufig auch eine Art nichtlineare Aktivierungsfunktion. Die Ausgangsgewichte können mit einem Gefälle trainiert werden.Einige halten einen RBF-Ansatz für relativ "intuitiv" und eine gute Möglichkeit, spezialisierte ML-Probleme anzugehen.