神经网络结构

---

从视觉上判断是线性可分的，使用单层神经网络；

输入层设置两个输入单元，表示经纬度：𝑋=𝑥1,𝑥2

输出层设置一个单元，表示地盘所属阵营：

𝑧=𝑋𝑊+𝐵

a=Logistic(z)

权重参数为： 𝑊=(𝑤1,𝑤2)^𝑇 , 𝐵=(𝑏)

损失函数为交叉熵损失函数，反向传播公式为：

线性二分类工作原理

---

        回忆一下前面学习过的线性回归，通过用均方差函数的误差反向传播的方法，不断矫正拟合直线的斜率和截距，因为均方差函数能够准确地反映出当前的拟合程度。

        线性分类与线性回归相似的地方是，两者都需要划出那条“直线”来，但是不同的地方也很明显：线性回归要求用直线来拟合所有样本，使得各个样本到这条直线的距离尽可能最短；而线性分类则要求用直线来分割所有样本，使得正例样本和负例样本尽可能分布在直线两侧。

二分类的代数原理

---

        代数方式：通过一个分类函数计算所有样本点在经过线性变换后的概率值，使得正例样本的概率大于0.5，而负例样本的概率小于0.5。

基本公式回顾

---

举例理解

---

平面上有三个点，分成两类，绿色方块为正类，红色三角为负类。各个点的坐标为：，，A(2,4)，B(2,1)，C(3,3)。

当分类线为 L1 时

假设神经网络第一次使用 L1 做为分类线，此时：w1=−1,w2=2,b=−2，我们来计算一下三个点的情况。

 

我们知道当 z>0 时，Logistic(z)>0.5 为正例，反之为负例，所以我们只需要看三个点的 z 值是大于0还是小于0就可以了，不用再计算 Logistic 函数值。

此时 C 点的损失函数值为（核心：注意 C 的标签值 y=0）：

 

可知 A,B点处于正确的分类区，而 C 点处于错误的分类区

可见，对于分类正确的 A,B 点来说，其损失函数值比 C 点要小很多，所以 C 点的反向传播的力度就大。

 

• 在正例情况 y=1 时，a 如果越靠近 1，表明分类越正确，此时损失值会越小。点 A 就是这种情况：a=0.982，距离 1 不远；loss 值 0.018，很小；
• 在负例情况 y=0 时，a 如果越靠近 0，表明分类越正确，此时损失值会越小。点 B 就是这种情况：a=0.119，距离 0 不远；loss 值 0.112，不算很大；
• 点 C 是分类错误的情况（y=0，将他视为0类来计算），a=0.731，本应小于 0.5，实际上距离 0 远，距离 1 反而近，它的 loss=1.313，与其它两个点的相对值来看非常大，这样误差就大，反向传播的力度也大。