多层感知器机器的学习过程是用反向传播误差算法（backpropagation），来迭代调整网络参数，这个算法由最小二乘法导出，使得输入样本的标记与对应的输出节点类别判断的平均误差最小。通过多次迭代的实验，准确率可以达到预期的精度。用这个调整好参数的神经网络来识别新输入的手写体数字，也能够取得了超过90%的预测准确率。值得注意的是，这个数学模型，即它所描述的神经网络功能，是通用的。同一个神经网络的机器，可以用它来学习识别手写体字，也可以用来区分债券的等级。对债券需要的是描述债券属性的训练样本，来供给机器学习债券的知识。同一个算法的机器，可以用不同的样本数据，赋予机器不同的知识和智能。机器的学习能力，即智商，只受数学模型对数据不同模式的表达能力所限。参数越多，表达能力越强。
此文由 怡心湖 编辑，若您觉得有益，欢迎分享转发！：首页 > 常识论 » 多层感知器的机器学习之讨论