8.5 特征和直观理解 1

参考视频: 8 - 5 - Examples and Intuitions I (7 min).mkv

从本质上讲，神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中， 我们被限制为使用数据中的原始特征 x1,x2,...,xn，我们虽然可以使用一些二项式项来组合这 些特征，但是我们仍然受到这些原始特征的限制。在神经网络中，原始特征只是输入层，在

我们上面三层的神经网络例子中，第三层也就是输出层做出的预测利用的是第二层的特征， 而非输入层中的原始特征，我们可以认为第二层中的特征是神经网络通过学习后自己得出的 一系列用于预测输出变量的新特征。

神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑 AND、 逻辑或 OR 。

举例说明：逻辑与 AND；下图中左半部分是神经网络的设计与 output 层表达式，右边 上部分是 sigmod 函数，下半部分是真值表。

我们可以用这样的一个神经网络表示 AND 函数：

其中 θ0 =-30，θ1 =20，θ2 =20

我们的输出函数 h(x)即为：

我们知道 g(x)的图像是：

所以我们有：

所以我们的： 这就是 AND 函数。

接下来再介绍一个 OR 函数：

OR 与 AND 整体一样，区别只在于的取值不同。