神經網絡基礎
在機器學習中，線性迴歸和邏輯迴歸用來處理相關問題很簡單，當我們的數據集如下時：
例如一個房屋有很多的特徵時，特徵點有多個，算出如上的邏輯迴歸，此時函數很複雜，所以這不是一個好辦法。
於是，我們使用神經網絡算法可以來實現這個大量的特徵算法：
神經元：
它有輸入神經，輸出神經，簡而言之，神經元是一個計算的東西，它通過用戶輸入，然後輸出，傳遞到其他節點，所以計算過程如下：
神經網絡如下：
輸入特徵項：x1，x2，x3，最後h（x）爲輸出。
layer2爲隱藏層，這裏面的值我們不知道。所有輸出層和輸入層都是隱藏層。
上述的神經元，計算過程如下：
每個輸入值，在一個節點中，有不同的權值，根據不同的權值來計算輸出。
其中爲矩陣相乘的相關知識，g爲sigmode函數：
上述算法中，類似於矩陣相乘：
其中z⑶矩陣z⑶=[ z1⑶]。
可以看出，神經網絡如同邏輯迴歸，只是神經網絡增加了隱藏層，使得我們的傳遞數據有所改變，當隱藏層變多時，我們得數據變化也不同，讓其自己訓練特徵值。
例如：
每個x分配了權值，θ，上述θ分別爲-30，20，20，這個小神經元計算原理如上，
我們將其計算出來：
所以，h（x）得值如上，所以，通過上述邏輯，可以理解，這個邏輯運算，其中最重要的我們需要確定權值。
那我們如何訓練數據呢？
通過藍色圈圈，輸入數據，經過兩個隱藏層，自動計算其中的權值，然後在在輸出層輸出，最後輸出爲一個矩陣，四維向量。
大致神經網絡基礎就是這些。後面會了解深度神經網絡算法。
如有錯誤可以聯繫我：626529441，一起交流學習，謝謝。