Il semble qu'il soit possible d'obtenir des résultats similaires à ceux d'un réseau de neurones avec une régression linéaire multivariée dans certains cas, et la régression linéaire multivariée est extrêmement rapide et facile.
Dans quelles circonstances les réseaux de neurones peuvent-ils donner de meilleurs résultats que la régression linéaire multivariée?
la source
Vous parlez de régression linéaire. Ceci est lié à la régression logistique , qui a un algorithme d'optimisation rapide similaire. Si vous avez des limites sur les valeurs cibles, comme avec un problème de classification, vous pouvez afficher la régression logistique comme une généralisation de la régression linéaire.
Une stratégie intermédiaire consiste à choisir un grand nombre de nœuds aléatoires, similaire à ce qui se produit lorsque vous initialisez un réseau de neurones, et à corriger les poids d'entrée à masqué. L'optimisation sur les poids *-à-sortie reste linéaire. C'est ce qu'on appelle une machine d'apprentissage extrême . Cela fonctionne au moins aussi bien que la régression logistique originale.
la source
La régression linéaire vise à séparer les données qui sont séparables linéairement. Vous pouvez utiliser des polynômes tiers> degré supplémentaires, mais vous avez ainsi redonné quelques hypothèses sur les données dont vous disposez depuis que vous avez défini la structure de la fonction objectif. Dans Neural Net. généralement, vous avez une couche d’entrée qui crée les séparateurs linéaires pour les données que vous avez et une couche masquée ET les régions qui délimitent certaines classes et les derniers OR de la couche toutes ces régions. De cette façon, toutes vos données peuvent être classées de manière non linéaire, tout ce processus se déroule avec des poids appris en interne et des fonctions définies. En outre, l'augmentation du nombre de fonctions pour la régression linéaire est opposée à "Malédiction de la dimensionnalité". De plus, certaines applications nécessitent davantage de résultats probabilistes que les nombres constants en sortie.
la source