where W = (Wkj) and = (rf>j). Sinc

where W = (Wkj) and = (rf>j). Since the basis functions are considered fixed, the network is equivalent to a single-layer network of the kind considered in Sec- tion 3.3 in the context of classification problems, where it is termed a generalized linear discriminant. As discussed in earlier chapters, we can optimize the weights by minimization of a suitable error function. It is particularly convenient, as we shall see, to consider a sum-of-squares error function given by

Kết quả (Việt) 1:

nơi W = (Wkj) và = (rf > j). Kể từ khi các chức năng cơ sở được xem là cố định, mạng là tương đương với một mạng lưới đơn lớp của các loại được coi là ở Sec-tion 3.3 trong bối cảnh của vấn đề phân loại, nơi nó được gọi là biệt thức tuyến tính tổng quát. Như được thảo luận trong chương trước đó, chúng tôi có thể tối ưu hóa các trọng lượng bằng cách giảm thiểu phù hợp lỗi chức năng. Nó là đặc biệt thuận tiện, như chúng ta sẽ thấy, để xem xét một chức năng tổng hợp hình vuông lỗi được đưa ra bởi

Kết quả (Việt) 2:

nơi W = (WKJ) và = (Rf> j). Kể từ khi các chức năng cơ bản được coi là cố định, mạng là tương đương với một mạng lưới đơn lớp của các loại xem xét trong giây- tion 3.3 trong bối cảnh của vấn đề phân loại, nơi nó được gọi là một phân biệt tuyến tính tổng quát. Như đã thảo luận trong chương trước, chúng ta có thể tối ưu hóa trọng lượng bằng cách giảm thiểu một hàm lỗi thích hợp. Nó là đặc biệt thuận lợi, như chúng ta sẽ thấy, để xem xét một hàm tổng bình phương lỗi được đưa ra bởi