被错误理解的人工神经网络(一)!

xiaoxiao2021-02-28  1

神经网络是机器学习算法中最流行且最强大的算法。在定量金融中,神经网络通常用于时间序列预测、构建专有指标、算法交易、证券分类和信用风险建模,它也被用来构建随机过程模型和价格衍生工具。尽管它很有用,但神经网络往往因为它们的性能是“不可靠的”而声誉不佳。在我看来,这可能是由于对神经网络工作机制误解所致。本系列将讨论了一些常见的对于神经网络的误解。本文先介绍两个错误的理解:它是人脑的模型,第二它是统计学的一种弱形式。

神经网络不是人脑的模型

人类的大脑是我们这个时代最伟大的奥秘,科学家们尚未就其工作原理达成共识。目前有两种大脑理论:即祖母细胞理论和分布式表征理论。第一个理论认为,单个神经元具有很高的处理信息能力,并且能够表达复杂的概念。第二种理论认为,神经元更简单,复杂对象的表示分布在许多神经元中。人工神经网络貌似是受到第二种理论的启发。

我相信目前这一代神经网络不具备感知能力(与智能不同)的一个原因是因为生物神经元比人工神经元复杂得多。

大脑中的单个神经元是一台令人难以置信的复杂机器,即使在今天我们也不明白。而神经网络中的单个“神经元”是一个非常简单的数学函数,只能捕捉生物神经元复杂性的一小部分。所以说神经网络模仿大脑,这在思路上是真的,但真正的人造神经网络与生物大脑没有什么相似之处——Andrew Ng

大脑和神经网络之间的另一大区别在于规模和组织。人脑比神经网络包含更多的神经元和突触,他们有自我组织能力和适应性。相比之下,神经网络是根据架构来组织的。神经网络不像大脑那样是“自组织”的,与有序网络相比,神经网络更接近图形。

 

由大脑成像技术发展而来的一些非常有趣的大脑视图。 

先比之下,我们只能说神经网络受大脑启发,就像北京的奥林匹克体育场受到鸟巢的启发。这并不意味着奥林匹克体育场就是鸟巢,它只意味着在体育场的设计中存在一些鸟巢的元素。换句话说,大脑的某些元素存在于神经网络的设计中,但它们比我们想像的要少得多。

事实上,神经网络与统计方法(如曲线拟合回归分析)更密切相关。在定量金融的背景下,我认为重要的是要记忆,因为虽然说“某种东西受到大脑的启发”可能听起来很酷,但这种说法可能会导致不切实际的期望或恐惧。欲了解更多信息,请参阅这篇文章

 

曲线拟合也称为函数逼近,神经网络常常用来逼近复杂的数学函数。

神经网络不是弱统计

神经网络由相互连接的节点层组成,单个节点被称为感知器,类似于多重线性回归。在多层感知器中(MLP),感知器被排列成层并且层与层彼此连接。在MLP中,有三种类型的层:即输入层、隐藏层和输出层。输入层接收输入模式,输出层输入映射的分类或输出信号的列表。隐藏层调整这些输入的权重,直到神经网络的误差最小化。

原文链接

转载请注明原文地址: https://www.6miu.com/read-1600346.html

最新回复(0)