多層感知機實作練習-R版本-使用鳶尾花數據訓練
多層感知機實作練習 R版本-使用鳶尾花數據訓練 ___________________________________________________________ 問題：如何有效分類鳶尾花 方法：使用多層感知機訓練模型，透過梯度下降修正減少錯誤率 實作流程： 1. 鳶尾花數據有setosa, versicolor, virginica三類，欲訓練的類設輸出為1, 其他類為0，並各先取二類進行訓練 2. 將數據（*1）輸入前兩個感知機分別與w1~w8相乘並加上偏權值，加總後過活化函式Sigmoid（*2），得到二輸入層輸出 3. 將前二輸出分別與w9,w10相乘並加上偏權值，加總後一樣過Sigmoid，得到結果輸出Output 4. 將Output-期望輸出可以得到錯誤率，透過梯度下降回頭修正權重 新權重＝舊權重＋學習速率*(錯誤率)*output*(1-output)*input 5. 重複以上步驟，將錯誤率壓低（*3） 6. 將訓練好的模組拿來驗證（*4） 遇到困難： 因versicolor和virginica類相似度高，此二類相互訓練時較難收斂且誤差率較與setosa類訓練時高（*5此圖來自網路） 將學習速率降為0.1，可在10000次左右時開始收斂，但還是會有誤差 以下為拿versicolor和virginica進行訓練的結果 可以看到setosa類不會出錯，但versicolor和virginica雖然分開但有部分誤差 程式碼 https://github.com/ShangHong-CAI/AI-Tutorial-Multilayer-Perceptron/blob/master/r/MuitPerceptron(iris).R 附註： ＊1: 輸入Sepal.Length,Sepal.Width,Petal.Length,Petal.Width當作運算資料,而類別 Species則當成期望輸出用來修正模型 ＊2: Sigmoid函式可以將輸出壓進0~1之間 ＊3