在ADALINE算法中使用不同的激活功能？

Question

我最近一直试图在机器学习中学习一些东西，我试图理解adaline算法是如何工作的，还有一点我还是不明白。在我所遵循的特定教程中，线性激活函数只是网络输入函数的标识函数，在代码中看起来非常荒谬：

def net_input(self, X):
      """Calculate net input"""
      return np.dot(X, self.weight[1:]) + self.weight[0]

def activation(self, X):
      """Compute linear activation"""
      return self.net_input(X)

所以我想知道，这只是adaline算法的一个奇怪的实现，还是这样做，因为你可以使用这种算法的其他类型的激活函数？

很抱歉，如果这听起来像一个菜鸟问题，我试着用谷歌搜索它，但我找不到任何对我有帮助的东西。

Answer 1

Adaline使用连续预测值（来自净输入）来学习模型系数，这是更强大的＆＃34;因为它告诉我们＆＃34;多少＆＃34;我们是对还是错。