신경망 모델 (퍼셉트론 모형)

퍼셉트론 모형

• 구성요소: 신경망의 초기 형태로서, 입력층과 출력층으로 구성
  • 입력층: 주어진 데이터의 특성 벡터에 대해 d+1개의 node로 구성
  • 출력층: 하나의 node로만 구성되며, 입력층에서 전달된 가중치들의 합을 바탕으로 결과를 내보냄
  • 활성함수: 출력층에서 결과 판단의 기준으로 사용하는 함수 (퍼센트론은 이진 분류만을 지원하였음)

• 퍼셉트론의 학습
  • 학습의 의미: Xn이 n번째 데이터의 특징 벡터를 나타내고, Tn은 Xn의 소속 클래스에 따라 1 또는 -1의 값을 가질 때, 데이터 집합 X={(X1,T1),(X2,T2),...,(Xn,Tn)}를 모두 옳게 분류할 수 있는 퍼셉트론을 찾는것 (w와 b값을 찾는 것)
  • 방법: 퍼셉트론의 매개 변수 w와 b를 이용하여 다음 오분류 함수를 설계하고, 오분류된 데이터의 집합을 Y로 정의
  • 시점 h에서의 학습률(learning rate)이 p(h)로 주어졌을 때, J(w, b)의 도함수를 이용하여 다음 시점 h+1에서의 w와 b의 값을 정의(델타 규칙)