Question

您好我已经在weka工具中对虹膜数据集进行了多层感知训练。它给了我以下模型。

    === Run information ===

    Scheme:weka.classifiers.functions.MultilayerPerceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a -G -R
    Relation:     iris
    Instances:    150
    Attributes:   5
                  sepallength
                  sepalwidth
                  petallength
                  petalwidth
                  class
    Test mode:split 66.0% train, remainder test

    === Classifier model (full training set) ===

    Sigmoid Node 0
        Inputs    Weights
        Threshold    -3.5015971588434014
        Node 3    -1.0058110853859945
        Node 4    9.07503844669134
        Node 5    -4.107780453339234
    Sigmoid Node 1
        Inputs    Weights
        Threshold    1.0692845992273177
        Node 3    3.8988736877894024
        Node 4    -9.768910360340264
        Node 5    -8.599134493151348
    Sigmoid Node 2
        Inputs    Weights
        Threshold    -1.007176238343649
        Node 3    -4.2184061338270356
        Node 4    -3.626059686321118
        Node 5    8.805122981737854
    Sigmoid Node 3
        Inputs    Weights
        Threshold    3.382485556685675
        Attrib sepallength    0.9099827458022276
        Attrib sepalwidth    1.5675138827531276
        Attrib petallength    -5.037338107319895
        Attrib petalwidth    -4.915469682506087
    Sigmoid Node 4
        Inputs    Weights
        Threshold    -3.330573592291832
        Attrib sepallength    -1.1116750023770083
        Attrib sepalwidth    3.125009686667653
        Attrib petallength    -4.133137022912305
        Attrib petalwidth    -4.079589727871456
    Sigmoid Node 5
        Inputs    Weights
        Threshold    -7.496091023618089
        Attrib sepallength    -1.2158878822058787
        Attrib sepalwidth    -3.5332821317534897
        Attrib petallength    8.401834252274096
        Attrib petalwidth    9.460215580472827
    Class Iris-setosa
        Input
        Node 0
    Class Iris-versicolor
        Input
        Node 1
    Class Iris-virginica
        Input
        Node 2


    Time taken to build model: 34.13 seconds

我是weka的新手我不明白节点是如何编号的？当我们使用sigmoid时，为什么需要阈值。输出中可以有多个属性吗？

Answer 1

有3个输出节点（0,1,2）和3个隐藏单元（3,4,5）。您可以通过查看它们连接的内容来区分，例如

    Sigmoid Node 3
    Inputs    Weights
    Threshold    3.382485556685675
    Attrib sepallength    0.9099827458022276
    Attrib sepalwidth    1.5675138827531276
    Attrib petallength    -5.037338107319895
    Attrib petalwidth    -4.915469682506087

显然是隐藏节点，因为它连接到输入属性。因此连接到此节点的节点位于下一层（0,1,2）。

一般情况下，WEKA会将您的节点从输出层计算到输入层，因此您首先得到outptu节点，然后是连接到它们的节点，然后是前一层，前一层......最后是第一个隐藏层。

为什么有门槛？因为sigmoid被定义为

sigmoid(w,x,b) = 1/(1+exp(-(<w,x>-b)))

和b是阈值。没有它，无论权重是多少，每个节点都会回答x = 0的完全相同的输出。

为什么weka中的多层感知器存在阈值

1 个答案: