پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,677 |
| تعداد مقالات | 13,681 |
| تعداد مشاهده مقاله | 31,722,137 |
| تعداد دریافت فایل اصل مقاله | 12,535,653 |
شبکه‌های عصبی بیزی؛ چرایی و چگونه‌گی | ||
| نشریه ریاضی و جامعه | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 مهر 1403 | ||
| نوع مقاله: مقاله ترویجی | ||
| شناسه دیجیتال (DOI): 10.22108/msci.2024.141722.1668 | ||
| نویسندگان | ||
| معین منعمی1؛ سیدمحمود طاهری1؛ سید مرتضی امینی* 2 | ||
| 1گروه الگوریتم‌ها و محاسبات، دانشکده علوم مهندسی، دانشکدگان فنی، دانشگاه تهران | ||
| 2بخش آمار، دانشکده ریاضی آمار و علوم کامپیوتر دانشکدگان علوم، دانشگاه تهران | ||
| چکیده | ||
| یکی از چالش‌ها در به‌کارگیری شبکه‌های عصبی، مشکل بیش‌برازش است. این مشکل زمانی پیش می‌آید که مدل شبکه عصبی به داده‌های آموزشی به‌طور دقیق برازش داده می‌شود ولی این مدل به داده‌های خارج از این مجموعه قابل تعمیم نیست. عدم تعمیم‌پذیری مدل بیشتر در شرایطی پیش می‌آید که تعداد نمونه‌های مجموعه داده آموزشی کم‌تر از تعداد ویژگی‌های مورد بررسی و پیچیدگی مدل یعنی تعداد وزن‌ها و اریبی‌های شبکه عصبی است. در چنین وضعیتی معمولا از یادگیری ترکیبی و به‌طور خاص از روش‌های دسته‌بندی استفاده می‌شود. در این روش از بازنمونه‌گیری برای ایجاد عدم قطعیت در مدل استفاده می‌شود و بدین وسیله تعمیم‌پذیری مدل بهبود پیدا می‌کند. با این حال بازنمونه‌گیری در شرایطی که اندازه نمونه آموزشی بسیار کم است، کارایی ندارد و عدم قطعیت ایجاد شده در مدل بسیار محدود است. شبکه‌های عصبی بیزی با کمّی‌سازی عدم قطعیت پارامترها، حالاتی از پارامترها را در نظر می‌گیرند که ممکن است توسط داده‌های موجود دیده نشده باشند. بدین‌ترتیب تعمیم‌پذیری مدل افزایش چشم‌گیر پیدا می‌کند. این روش علاوه بر جلوگیری از بیش‌برازش، توزیع پیش‌بین پسین را نیز در اختیار ما قرار می‌دهد و امکان به‌دست آوردن بازه‌های پیش‌بینی را نیز فراهم می‌آورد. در این مقاله به معرفی شبکه‌های عصبی بیزی و نحوه آموزش آن‌ها و سپس به تحلیل داده‌ها و مقایسه این مدل‌ها با شبکه‌های عصبی عادی می‌پردازیم. | ||
| کلیدواژه‌ها | ||
| شبکه‌های عصبی مصنوعی؛ استنباط بیزی؛ توزیع پسین؛ رگرسیون خطی چندگانه؛ طبقه‌بندی | ||
|
آمار تعداد مشاهده مقاله: 138 |
||