神经网络BP算法案例
神经网络BP算法案例 1
神经网络BP算法案例 【例】假设训练样本S的属性值为{1,0,1},实 乐类别分别为1,两层前馈神经网络N如图所示 NT中每条有一向加权边的权重、每个隐藏层与输 出层单元的偏置如表1所示,学习率为o.9。写出 输入S训练NT的过程。 图1两层前馈神经网络
【例】 假设训练样本s的属性值为｛1，0，1｝，实 际类别分别为1，两层前馈神经网络NT如图1所示， NT中每条有一向加权边的权重、每个隐藏层与输 出层单元的偏置如表1所示，学习率为0.9。写出 输入S训练NT的过程。 2 1 3 6 5 4 2 . . . . . .. . . . w14 w15 w24 w25 w34 w35 w46 w56 神经网络BP算法案例 图1 两层前馈神经网络
神经网络BP算法案例 首先算出单元4、5、6的输入、输出,具体结果见 表1,然后计算45、6的误差,见表2;N中每条 有向加权边的新权重、每个隐藏层与输出层单元 的新偏置见表3。 图2两层前馈神经网络
首先算出单元4、5、6的输入、输出，具体结果见 表1，然后计算4、5、6的误差，见表2；NT中每条 有向加权边的新权重、每个隐藏层与输出层单元 的新偏置见表3。 3 图2 两层前馈神经网络 神经网络BP算法案例
神经网络BP算法案例 表1权重、单元的偏置 X X2 X3 W14 W15 W24 W25 W34 W35 Was Wss 666 0 102-030401-0.502|-03-02-0.40201
表1 权重、单元的偏置 4 神经网络BP算法案例
神经网络BP算法案例 表2隐藏层与输出层每个单元的输入、输出 单元j 输入l 输出O 40.2×1+04×0+(05)×1+(0.4)=0.71/(+e(0.7)=0332 5(-0.3)×H+0.1×0+0.2×1+0.2=0.1 l/(l+e-0.1)=0.525 6(-0.3)×0.324+(-0.2)×0.525+0.10.1051(1+e-(-0.105)=0474
单元j 输入I j 输出Oj 4 0.2×1+0.4×0+(-0.5)×1+(-0.4)=-0.7 1/(l+e-(-0.7))=0.332 5 (-0.3)×l+0.1×0+0.2 × 1+0.2=0.1 1/(l+e-0.1)= 0.525 6 (-0.3) ×0.332+(-0.2)×0.525+0.1=-0.105 1/(l+e-(-0.105))=0.474 5 表2 隐藏层与输出层每个单元的输入、输出 神经网络BP算法案例
神经网络BP算法案例 表3隐藏层与输出层每个单元的误差 单元 误差 60.474×(1-0.474)×(10474)=0.1311 50.525×(10.525)×(01311×(02)=0.0065 0.332×(1-0.332)×(0.1311×(0.3)=0.0087
单元j 误 差 6 0.474×(1-0.474)×(l-0.474)=0.1311 5 0.525×(l-0.525)×(0.1311×(-0.2))=-0.0065 4 0.332×(l-0.332)×(0.1311×(-0.3))=-0.0087 6 表3 隐藏层与输出层每个单元的误差 神经网络BP算法案例
神经网络BP算法案例 表4有向加权边的新权重、每个隐癜层与输出层单元的新偏置 46 0.3+0.9×0.1311×0.332=0.261 0.2+0.9×0.1311×0.525=0.138 14 0.2+0.9×(-0.00087)×1=0.192 0.3+09×(-0.0065)×1=0.306 24 0.4+0.9×(-0.0087)×0=0.4 0.1+0.9×(-0.0065)×0=0.1 0.5+0.9×(0.0087)×1=0.508 0.2+0.9×(-0.0065)×1=0.194 0.1+0.9×0.1311=0.218 0.2+0.9×(0.0065)=0.194 0.4+0.9×(-0.0087)=0.408
W46 -0.3+0.9×0.1311×0.332=-0.261 W56 -0.2+0.9×0.1311×0.525=-0.138 W14 0.2+0.9×(-0.00087)×1=0.192 W15 -0.3+0.9×(-0.0065)×1=-0.306 W24 0.4+0.9×(-0.0087)×0=0.4 W25 0.1+0.9×(-0.0065)×0=0.1 W34 -0.5+0.9×(-0.0087)×1=-0.508 W35 0.2+0.9×(-0.0065)×1=0.194 6 0.1+0.9×0.1311=0.218 5 0.2+0.9×(-0.0065)=0.194 4 -0.4+0.9×(-0.0087)=-0.408 7 表4 有向加权边的新权重、每个隐藏层与输出层单元的新偏置 神经网络BP算法案例
由 Apriori关联算法 推算 可以配哪
由Apriori关联算法 推算
从一求公司的销售记录中我们找到以下8条)费记录, 开以3作为吸小支持度,也就是说出现频率在3次以下 的记录是被我们所忽嗒的。 交易标号 销售内容 牛奶,冰淇淋,果,面包 2 冰淇淋,果酱,面包,咖啡 3 牛奶,面包,果酱 4 牛奶,咖啡 5 牛奶,面包,巧克力 6 冰淇淋,面包,咖啡 7 牛奶,果酱,面包,香蕉 8 咖啡,面包,葡萄
从一家公司的销售记录中我们找到以下8条消费记录， 并以3作为最小支持度，也就是说出现频率在3次以下 的记录是被我们所忽略的
所有满足最小支持度3的1项频繁集如下(其中巧克 支持度 销售内容 冰淇淋 34457 咖啡 果酱 牛奶 面包
所有满足最小支持度3的1项频繁集如下 （其中巧克力、 香蕉、葡萄的支持度为1，不满足条件） 支持度 销售内容 3 冰淇淋 4 咖啡 4 果酱 5 牛奶 7 面包