A further key insight into the natu

A further key insight into the nature of the radial basis function network is obtained by considering the use of such networks for classification problems (Lowe, 1995). Suppose we have a data set which falls into three classes as shown in Fig- ure 5.8. A multi-layer perceptron can separate the classes by using hidden units which form hyperplanes in the input space, as indicated in Figure 5.8(a). An alternative approach is to model the separate class distributions by local kernel functions, as indicated in (b). This latter type of representation is related to the radial basis function network.

Kết quả (Việt) 1:

Thêm chính cái nhìn sâu sắc vào bản chất của chức năng xuyên tâm cơ sở mạng thu được bằng cách xem xét việc sử dụng các mạng cho vấn đề phân loại (Lowe, 1995). Giả sử chúng tôi có một tập hợp dữ liệu mà rơi vào ba lớp học như minh hoạ trong hình-ure 5.8. Perceptron nhiều lớp có thể tách các lớp học bằng cách sử dụng đơn vị ẩn mà tạo thành hyperplanes trong không gian đầu vào, như được chỉ ra ở con số 5.8(a). Một cách tiếp cận khác là mô hình phân phối lớp riêng biệt bởi chức năng địa phương hạt nhân, như được chỉ ra trong mục (b). Loại thứ hai của đại diện liên quan đến chức năng xuyên tâm cơ sở mạng.

Kết quả (Việt) 2:

Một cái nhìn sâu sắc hơn nữa quan trọng về bản chất của các hàm cơ sở xuyên tâm mạng thu được bằng cách xem xét việc sử dụng các mạng như vậy cho các vấn đề phân loại (Lowe, 1995). Giả sử chúng ta có một tập hợp dữ liệu mà rơi vào ba lớp như thể hiện trong hình 5.8 ure. Một layer-đa perceptron có thể tách các lớp học bằng cách sử dụng đơn vị ẩn tạo thành siêu phẳng trong không gian đầu vào, như được chỉ ra trong hình 5.8 (a). Một phương pháp khác là để mô hình phân bố lớp học riêng biệt theo chức năng hạt nhân địa phương, như được chỉ ra trong (b). Loại thứ hai của đại diện có liên quan đến mạng hàm cơ sở xuyên tâm.