Elegir el tipo correcto de red neuronal

Question

Tengo un problema de aprendizaje supervisado donde mi algoritmo recibirá un conjunto de ejemplos de entrenamiento para saber si una forma es un círculo de cuadrado. Me preguntaba qué tipo de ANN sería el mejor. Sé que puedes elegir un perceptrón si los datos son linealmente separables. ¿Puedo fácilmente tener un hiperplano que divide mis cuadrados y círculos? Entonces, ¿no es un perceptron una buena elección? Sin embargo, ¿no se utilizan con más frecuencia las redes de feed feed multicapa? ¿Cuál es la elección natural y por qué?

La siguiente imagen muestra los datos de entrenamiento proporcionados al sistema. El NN necesita clasificar datos bidimensionales A = [a1, a2] en cuadrados y círculos.

Gracias.

Answer 1

establecer los datos que ha proporcionado no es linealmente separables en el espacio generado por A1 y A2, por lo que un perceptrón no lo hará. Necesita un perceptrón multicapa (MLP). En general, los MLP se usan con más frecuencia porque pueden hacer todo lo que un perceptron de capa única puede hacer (buscar el teorema de aproximación universal). Una función de base radial también hará el trabajo. Noli dio a entender algo interesante, pero mucho más complejo: un conjunto de datos se puede separar linealmente con alta probabilidad si se proyecta en un espacio muy muy alto (teorema de Cover). Esa es la motivación para usar máquinas de vectores de soporte.

En resumen, no hay elección natural, es completamente específico de un problema. Experimentar. Un profesor mío solía decir "la validación cruzada es tu amigo"

Answer 2

¿Por qué está configurado en un NN, una razón específica? ¿aburrido? si ninguno .. echar un vistazo a LibSVM

http://www.csie.ntu.edu.tw/~cjlin/libsvm/