径向基函数

【问题标题】：Radial Basis Function径向基函数
【发布时间】：2013-04-18 19:55:03
【问题描述】：

我正在尝试为回归制作一个简单的径向基函数网络 (RBFN)。我有一个包含 600 多个样本的 20 维（特征）数据集。我需要最终网络为每个 20 维样本输出 1 个标量值。

注意：刚接触机器学习...感觉我在这里遗漏了一个重要概念。

使用感知器，我们可以训练一个线性网络，直到使用初始样本的一小部分子集将预测误差降至最低。

RBFN 有类似的流程吗？

【问题讨论】：

【解决方案1】：

有，

多层感知器和 RBFN 之间的两个主要区别是，RBFN 通常只暗示一层，并且激活函数是高斯函数而不是 sigmoid。

训练阶段可以使用误差损失函数的梯度下降来完成，所以实现起来比较简单。

请记住，RBFN 是 RBF 单元的线性组合，因此输出的范围是有限的，如果您需要超出该范围的标量，则需要对其进行转换。

您可以参考一些资源：

希望对你有帮助，

【讨论】：