Multi-layer Perceptron (MLP)
Multi-layer Perceptron (MLP) är en framåtriktad neural nätverksarkitektur som tränas med backpropagation, formaliserad av Rumelhart, Hinton och Williams i deras banbrytande artikel i Nature 1986. MLP:n består av ett ingångslager, ett eller flera dolda lager av neuroner med icke-linjära aktiveringsfunktioner och ett utgångslager, och kan approximera vilken kontinuerlig funktion som helst med godtycklig noggrannhet och fungerar som den konceptuella bron mellan klassisk maskininlärning och modern djupinlärning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/sv/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 ForestMaskininlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →