这几天看机器学习中的神经网络有点小的感悟和理解，记录一下。

其实所谓的神经网络，更像自动控制中的传递函数，给一个输入，通过网络给一个与这个响应相关的输出，或者说这个输入的激励。神经网络与线性回归和逻辑回归的最大区别在其非线性，通过将每个输入作用于不同的节点，再将其通过不同层的网络传递，使其能够拟合较为复杂的函数，或者较为复杂的输入和输出的映射关系。

关于神经网络通过学习NG老师的讲解，新增的理解是：
1）正则化，通过正则化可以解决noraml equation中的不满秩的问题即与其对应的过拟合问题。

2） 神经网络存在着欠拟合和过拟合的问题，解决问题一般是将所有数据分成三类，训练数据，交叉验证数据和测试数据，相应的会存在训练误差，交叉验证误差和测试误差三种。判断欠拟合和过拟合的方法是：如果训练误差很小，但是交叉验证误差很大，一般是过拟合；如训练误差和交叉验证的误差都比较大，且几乎相等，说明是欠拟合。

3）调整神经网络常用的几个方法：1) 获取更多的数据，修正过拟合。2）减少特征，修正过拟合（去除特征的相关性）。3）增加特征，修正欠拟合，4）加入多项式特征，修正欠拟合，5）加到正则化系数，修正过拟合，6）减小正则化系数，修正欠拟合。

传统的BP网络的缺点在于训练的网络对初始值的依赖比较大，所以在BP网络中加入遗传算法，就可以很好的解决这个问题。 随机初始化一些种群（网络的权值和阈值），通过测试数据训练出种群的适应度即拟合质量的好坏，一般用误差的和来表示（适应度小的较优），然后根据适应度进行选择，交差，编译，重新计算适应度，选择，编译的循环过程，直到满足条件（进化代数或者适应度阈值），从而选择了较好的网络参数初始值赋给神经网络的初始值，训练神经网络，便可以得到精度较高的神经网络。