Acaba de darse cuenta de algo vital para comprender cómo funcionan realmente las redes neuronales. Como otros han explicado, tienes razón. Una regresión logística es solo un caso especial de una red neuronal.
¿Qué aprendemos de esto?
Supongamos que tenemos una red neuronal multicapa para la clasificación binaria.
- ¿Existe un buen libro que cubra todo lo que necesita saber para el desarrollo de IA?
- Cómo aprender aprendizaje profundo en 2 meses
- ¿Qué piensa Wikipedia sobre el empleo de inteligencia artificial para expandirse y corregirse a sí mismo?
- ¿Debería alguien interesado en hacer investigación de aprendizaje automático aprender NumPy o MATLAB?
- ¿Cuál es el precio de mercado adecuado para un asistente virtual basado en inteligencia artificial?
Ahora sabemos que la última capa de la red solo está haciendo una regresión logística, pero ¿qué están haciendo las capas anteriores?
La entrada a una regresión logística es el vector de características de lo que sea que esté clasificando. Eso significa que todas las capas anteriores están trabajando juntas para convertir sus características de entrada originales en nuevas características. ¡Eso es exactamente lo que hace que las redes neuronales sean tan poderosas! Ellos hacen la ingeniería de características por usted y lo hacen para optimizar la precisión sobre los datos de entrenamiento.
Normalmente necesita conocimiento de dominio o una amplia exploración de datos para descubrir exactamente qué características son relevantes y cómo interactúan. Incluso después de hacer eso, excepto en sistemas particularmente simples, solo tiene una aproximación aproximada de cuáles deberían ser realmente las características. Tal vez usó [matemática] \ frac {x} {y} [/ matemática] cuando la característica relevante es [matemática] \ frac {x} {y + z} [/ matemática]. Están cerca cuando [math] z [/ math] es pequeño, pero cuando [math] z [/ math] es grande, el modelo se comportará de manera muy diferente. Una regresión logística no explica cómo interactúan las características, pero sí una red neuronal.