Diferentes tipos de classificadores

Agora, falemos dos classificadores Perceptron – é um conceito retirado de redes neurais artificiais. O problema aqui é classificar isto em duas classes, X1 ou X2. Há dois inputs dados ao perceptron e há uma soma no meio; o input é Xi1 e Xi2 e há pesos associados a ele, w1 e w2. A tampa Yi de fora é a saída desejada e w0 é um peso para ela, e nossa saída desejada é que o sistema possa classificar os dados nas classes com precisão. Você pode facilmente relacionar esta equação com a regressão linear; em que Y é a variável dependente semelhante a Y^. W0 é a intercepção, W1 e W2 são inclinações. X1 e X2 são variáveis independentes. Quando dizemos que pesos aleatórios são gerados, significa que a simulação aleatória está acontecendo em cada iteração. Quando temos uma saída desejada que mostramos ao modelo, a máquina tem que ter uma saída semelhante à nossa expectativa. Inicialmente, pode não ser tão preciso. Mas, à medida que o “treino” continua, a máquina torna-se mais precisa. Com o passar do tempo, o erro é minimizado. Dependendo da complexidade dos dados e do número de aulas, pode levar mais tempo para resolver ou alcançar um nível de precisão aceitável para o treinador. Isto significa que, quando os dados são complexos, a máquina vai demorar mais iterações antes de poder atingir um nível de precisão que esperamos dela. Estas iterações são chamadas Epochs em redes neurais artificiais em problemas de aprendizagem profunda.