我正在尝试制作一个简单的径向基函数网络（RBFN）进行回归。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：机器学习的新手......并且觉得我在这里错过了一个重要的概念。
利用感知器我们可以和我一起训练线性网络，直到使用初始样本的一小部分预测误差最小。
RBFN是否有类似的过程？
答案 0 :(得分：3)
是的，
多层感知器和RBFN之间的主要两个区别是RBFN通常只暗示一层，而激活函数是高斯而不是sigmoid。
训练阶段可以使用误差丢失函数的梯度下降来完成，因此实现起来相对简单。
请记住，RBFN是RBF单位的线性组合，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作为参考：
[PDF]（http://scholar.lib.vt.edu/theses/available/etd-6197-223641/unrestricted/Ch3.pdf）
[维基百科]（http://en.wikipedia.org/wiki/Radial_basis_function_network）
[Wolfram]（http://reference.wolfram.com/applications/neuralnetworks/NeuralNetworkTheory/2.5.2.html）
希望它有所帮助，