Diferentes tipos de clasificadores

Ahora, hablemos de los clasificadores Perceptron- es un concepto tomado de las redes neuronales artificiales. El problema aquí es clasificar esto en dos clases, X1 o clase X2. Hay dos entradas dadas al perceptrón y hay una suma entre ellas; las entradas son Xi1 y Xi2 y hay pesos asociados a ellas, w1 y w2. La tapa Yi del exterior es la salida deseada y w0 es un peso para ella, y nuestra salida deseada es que el sistema pueda clasificar los datos en las clases con precisión. Se puede relacionar fácilmente esta ecuación con la regresión lineal; en la que, Y es la variable dependiente similar a Y^. W0 es el intercepto, W1 y W2 son las pendientes. X1 y X2 son las variables independientes. Cuando decimos que se generan pesos aleatorios, significa que la simulación aleatoria ocurre en cada iteración. Cuando tenemos una salida deseada que mostramos al modelo, la máquina tiene que llegar a una salida similar a nuestra expectativa. Al principio, puede que no sea tan preciso. Pero, a medida que el «entrenamiento» continúa, la máquina se vuelve más precisa. Con el paso del tiempo, el error se minimiza. Dependiendo de la complejidad de los datos y del número de clases, puede llevar más tiempo resolver o alcanzar un nivel de precisión que sea aceptable para el entrenador. Esto significa que cuando los datos son complejos, la máquina tardará más iteraciones antes de alcanzar el nivel de precisión que esperamos de ella. Estas iteraciones se denominan Épocas en las redes neuronales artificiales en problemas de aprendizaje profundo.