Több outputtal rendelkező neurális háló?

[link]

(Elég értelmes találatok vannak, belenéztem.)

Alaphelyzetben 2 fő csoportba lehet osztani a felügyelt tanulású neurális hálókat: klasszifikációs és regressziós.

A klasszifikációsnál osztályzunk, pl. a képen egy ember van e, vagy sem. Ez a bináris kimenetű amiről írtál. Diszkrét értékeket vehet fel a kimenet.

A másik a regressziós amikor a tanító ponthalmaz alapján mintát keres és az új pontokat a mintába a lehető legjobban illő módon próbálja elhelyezni. Pl. van egy ismeretlen függvényed, megpróbálja a megadott pontok alapján kitalálni hogy néz ki a függvény. Itt a kimenet folytonos. Ez utóbbira vagy kíváncsi. Ide tartozik az idősoros gépi tanulás ahol már nem mindegy hogy milyen sorrendben vannak az adatok, és amire kíváncsi vagy az mindig a következő adat. Pl időjáráselőrejelzés, ahol a múlt alapján megpróbáljuk kitalálni hogy mi fog következni.

Ahhoz megértsd viszont az elejéről kell kezdeni.

Nem kell több háló. Nyugodtan csinálhatsz egy hálót is több kimenettel. Egyszerűen csak annyi, hogy 1 kimenet helyett több kimenetet alkalmazol, és mindegyik egy [0,1]-beli szám és azt mondod, hogy azt a kimenetet fogadod el, amelyik nagyobb értéket dobja ki.

A te példáddal élve legyenek a kimenetek az eső, napsütés és hóesés. Ha azt kapod kimenetnek, hogy mondjuk (0.1, 0.7, 0.4), akkor azt mondod, hogy napsütés lesz. Hasonlóan a tanítóadatod nem egy sime igen/nem érték lesz, hanem egy vektor. Pl. he esőt akarsz betantani, akkor (1,0,0), ha napsütést, akkor (0,1,0), ha hóesést, akkor (0,0,1).

Amúgy az etalon feladat ilyenkor a számjegyek felismerése kézírásmintából: [link]

Továbbá ha érteni is szeretnél hozzá, akkor javaslom az Andrew Ng Courserás kurzusát.