Multi-layer Perceptron (MLP)
Multi-layer Perceptron (MLP) er en feedforward neuralt netværksarkitektur, der trænes ved hjælp af backpropagation, formaliseret af Rumelhart, Hinton og Williams i deres skelsættende artikel i Nature fra 1986. MLP'en består af et inputlag, et eller flere skjulte lag af neuroner med ikke-lineære aktiveringsfunktioner og et outputlag. Den kan approksimere enhver kontinuert funktion med arbitrær nøjagtighed og fungerer som den konceptuelle bro mellem klassisk maskinlæring og moderne deep learning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 6–7). MIT Press. ISBN: 978-0-262-03561-3
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 5). Springer. ISBN: 978-0-387-31073-2
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/da/machine-learning/multi-layer-perceptron
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →