-
山东大学人工智能导论实验四 利用神经网络分类红色和蓝色的花
目录
1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。
2.调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐藏层过大或过小时，会出现什么问题，并分析原因。
【实验目标】
- 建立具有隐藏层的完整神经网络
- 善用非线性单位
- 实现正向传播和反向传播，并训练神经网络
- 了解不同隐藏层大小（包括过度拟合）的影响
【实验内容】
利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2
【数据集介绍】
2分类数据集flower，红色和蓝色点的“花”。使用X, Y = planar_utils.load_planar_dataset()加载数据集，X为样本，共有400个，Y为样本对应的标签，0表示红色，1表示蓝色。
【代码要求】
【文档要求】
（本次实验我采用jupyter notebook进行实验）
1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。
逻辑回归的分类效果如下：
但是训练的准确性只有47%，可能是数据集不是线性可分的，所以逻辑回归表现不佳
数据集里面的数据有：400 个
第 0 次循环，成本为：0.6931475438458983
第 1000 次循环，成本为：0.6394767951130161
第 2000 次循环，成本为：0.6371669009459804
第 3000 次循环，成本为：0.6359841052167607
第 4000 次循环，成本为：0.635215112310812
第 5000 次循环，成本为：0.6346572327795306
第 6000 次循环，成本为：0.6342253541419587
第 7000 次循环，成本为：0.6338762776079157
第 8000 次循环，成本为：0.6335853339615207
第 9000 次循环，成本为：0.6333372278930688
准确率: 67%
经过对比可知，使用具有1层隐藏层神经网络的分类效果要优于逻辑回归。因为一般而言，logistic 回归并不能很好的区分开这个复杂的数据集
logistic回归只是一个线性分类器，神经网络因为有了激活函数的存在，成了一个非线性分类器，所以神经网络分类的边界更加复杂。对于复杂的分类问题效果更佳。
2.调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐藏层过大或过小时，会出现什么问题，并分析原因。
我分别尝试调整隐藏层大小为1,2,3,4,5,10,20,50,100，得到实验结果如下所示：
由实验结果可知，当神经网络的隐藏层较小时，该神经网络并没有将红蓝区域很好的划分开来，整个网络的非线性拟合能力较若，但效果还是比逻辑回归要优不少。当网隐藏层较大，网络节点变多之后，整体网络的复杂性提升，网络对于复杂非线性函数的拟合能力增强，但是随着节点数的不断增加，到一定程度之后，网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢，训练的时间不断增加，但是网络的准确率并没有太大提升，反而下降了，这证明梯度下降的时候没有达到损失的最小值点，而是陷入局部极小点，因此隐藏层不是越大越好，而是要找到一个恰当的值。
初学人工智能导论，可能存在错误之处，还请各位不吝赐教。
受于文本原因，本文相关实验工程无法展示出来，现已将资源上传，可自行下载。
-
相关阅读:
深入聊聊java中判等问题：你真的会用==和equals吗
verilog 并行块实现
【ElasticSearch】6亿文档存储的ES集群调优实战
Nested loop（PostgreSQL 14 Internals翻译版）
数据结构系列-堆排序当中的T-TOK问题
ssm毕设项目学生竞赛模拟系统4x1nt（java+VUE+Mybatis+Maven+Mysql+sprnig）
上线即碾压Github榜首！十大互联网Docker实战案例手册（大厂版）
Django入门1
C/C++刷题DAY2
.NET开源全面方便的第三方登录组件集合 - MrHuo.OAuth
- 原文地址：https://blog.csdn.net/m0_52316372/article/details/125627113