在上周的人工神經(jīng)網(wǎng)絡(luò)課程中介紹了機器學習中的支持向量機（SVM：Support Vector Machine）與前饋網(wǎng)絡(luò)RBF的之間的聯(lián)系，而對于由傳遞函數(shù)為線性函數(shù)組成的單層網(wǎng)絡(luò)的代表自適應(yīng)線性單元（ADLINE：Adaptive Linear Element）更是和傳統(tǒng)信號處理中的自適應(yīng)濾波器相類似。

這些都會讓我們看到神經(jīng)網(wǎng)絡(luò)算法似乎能夠與很多其他學科算法搭起聯(lián)系。下面由Matthew P. Burruss的博文中《 Every Machine Learning Algorithm Can Be Represented as a Neural Network》 更是將這個觀點進行了詳細的梳理。

Every Machine Learning Algorithm Can Be Represented as a Neural Network》：

從1950年代的早期研究開始，機器學習的所有工作似乎都隨著神經(jīng)網(wǎng)絡(luò)的創(chuàng)建而匯聚起來。從Logistic回歸到支持向量機，算法層出不窮，毫不夸張的說，神經(jīng)網(wǎng)絡(luò)成為算法的算法，為機器學習的頂峰。它也從最初不斷嘗試中成為機器學習的通用表達形式。

在這個意義上，它不僅僅簡單的是一個算法，而是一個框架和理念，這也為構(gòu)建神經(jīng)網(wǎng)絡(luò)提供了更加廣泛的自由空間：比如它包括不同的隱層數(shù)量和節(jié)點數(shù)量、各種形式的激活（傳遞）函數(shù)、優(yōu)化工具、損失函數(shù)、網(wǎng)絡(luò)類型（卷積、遞歸等）以及一些專用處理層（各種批處理模式、網(wǎng)絡(luò)參數(shù)隨機丟棄：Dropout等）。

由此，可以將神經(jīng)網(wǎng)絡(luò)從一個固定算法展拓到一個通用觀念，并得到如下有趣的推文：任何機器學習算法，無論是決策樹還是k近鄰，都可以使用神經(jīng)網(wǎng)絡(luò)來表示。

這個概念可以通過下面的一些舉例得到驗證，同樣也可以使用數(shù)據(jù)進行嚴格的證明。

1.回歸

首先讓我們定義什么是神經(jīng)網(wǎng)絡(luò)：它是一個由輸入層，隱藏層和輸出層組成的體系結(jié)構(gòu)，每一層的節(jié)點之間都有連接。信息從輸入層輸入到網(wǎng)絡(luò)，然后逐層通過隱層傳遞到輸出層。在層之間傳遞過程中，數(shù)據(jù)通過線性變換（權(quán)重和偏差）和非線性函數(shù)（激勵函數(shù)）變換。存在很多算法來對網(wǎng)絡(luò)中可變參數(shù)進行訓(xùn)練。

Logistic回歸簡單定義為標準回歸，每個輸入均具有乘法系數(shù)，并添加了附加偏移量（截距），然后經(jīng)過Signmoid型函數(shù)傳遞。這可以通過沒有隱藏層的神經(jīng)網(wǎng)絡(luò)來表示， 結(jié)果是通過Sigmoid形式的輸出神經(jīng)元的多元回歸。

通過將輸出神經(jīng)元激活函數(shù)替換為線性激活函數(shù)（可以簡單地映射輸出 ，換句話說，它什么都不做），就形成線性回歸。

2.支持向量機

支持向量機（SVM）算法嘗試通過所謂的“核函數(shù)技術(shù)”將數(shù)據(jù)投影到新的高維空間中，從而提高數(shù)據(jù)的線性可分離性。轉(zhuǎn)換完數(shù)據(jù)后，算法可在高位空間獲得兩類之間最優(yōu)的分類超平面。超平面被簡單地定義為數(shù)據(jù)維度的線性組合，非常像2維空間中的直線和3維空間中的平面。

從這個意義上講，人們可以將SVM算法看作是數(shù)據(jù)到新空間的投影，然后是 多重回歸。神經(jīng)網(wǎng)絡(luò)的輸出可以通過某種有界輸出函數(shù)傳遞，以實現(xiàn)概率結(jié)果。

當然，可能需要實施一些限制，例如限制節(jié)點之間的連接并固定某些參數(shù)，這些更改當然不會脫離“神經(jīng)網(wǎng)絡(luò)”標簽的完整性。也許需要添加更多的層，以確保支持向量機的這種表現(xiàn)能夠達到與實際交易一樣的效果。

3.決策樹

諸如決策樹算法之類的基于樹的算法有些棘手。關(guān)于如何構(gòu)建這種神經(jīng)網(wǎng)絡(luò)的答案在于分析它如何劃分其特征空間。當訓(xùn)練點遍歷一系列拆分節(jié)點時，特征空間將拆分為多個超立方體。在二維示例中，垂直線和水平線創(chuàng)建了正方形。

因此，可以通過更嚴格的激活來模擬沿特征線分割特征空間的類似方式，例如階躍函數(shù)，其中輸入是一個值或另一個值-本質(zhì)上是分隔線。權(quán)重和偏差可能需要實施值限制，因此僅用于通過拉伸，收縮和定位來定向分隔線。為了獲得概率結(jié)果，可以通過激活函數(shù)傳遞結(jié)果。

盡管算法的神經(jīng)網(wǎng)絡(luò)表示與實際算法之間存在許多技術(shù)差異，但重點是網(wǎng)絡(luò)表達的思想相同，并且可以與實際算法相同的策略和性能來解決問題。

也許您不滿意將算法簡單地轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)形式，也許希望看到通用過程可以將所有棘手的算法都進行這種轉(zhuǎn)換，例如k近鄰算法或樸素貝葉斯算法等，而不是針對每個算法都手工進行轉(zhuǎn)換。

這種同樣算法轉(zhuǎn)換的答案就在于通用函數(shù)逼近定理，這也是在大量神經(jīng)網(wǎng)絡(luò)工作原理背后的支撐數(shù)學原理。它的主要含義是：足夠大的神經(jīng)網(wǎng)絡(luò)可以以任意精度對任何函數(shù)建模。

假設(shè)有一些函數(shù) 代表數(shù)據(jù)背后的規(guī)律：對于每個數(shù)據(jù)點 ， 始終返回等于或非常接近 的值。

建模的目的是找到該內(nèi)部映射關(guān)系 一個有效表示，我們將其記為預(yù)測函數(shù) 。所有機器學習算法對這個任務(wù)的處理方式都大不相同，采用不同用于驗證結(jié)果有效的假設(shè)條件，并給出具體算法來獲得最優(yōu)結(jié)果 。這些獲得優(yōu)化結(jié)果p（x）的算法，可說從在這些假設(shè)條件限制下，利用純粹的數(shù)學推導(dǎo)獲得。描述函數(shù)如何將目標映射到輸入的函數(shù)實際上可以采用任何形式，下面給出幾種典型的情況：

有的時候通過數(shù)學推導(dǎo)可以對表達式進行求解。但面對大量待定函數(shù)參數(shù)，往往需要通過不停的試湊來搜索。但是，神經(jīng)網(wǎng)絡(luò)在尋找 的方式上有些不同。

任何函數(shù)都可以由許多類似階梯的部分合理地逼近，劃分的區(qū)間步數(shù)越多，逼近的精度就越高。

每一個區(qū)間都對應(yīng)神經(jīng)網(wǎng)絡(luò)中的一些節(jié)點，即隱層中具有S型激活函數(shù)的節(jié)點。激活函數(shù)本質(zhì)上是概率階躍函數(shù)。實際上每個節(jié)點都代表函數(shù) 的一個局部。然后，通過系統(tǒng)中的權(quán)重和偏差，網(wǎng)絡(luò)為特定輸入來激活不同的神經(jīng)元，使其輸出為1），否則輸出0。于是便可以將不同函數(shù)的局部最后合并成整個函數(shù)。

這種處理模式不僅對應(yīng)上面的一維函數(shù)有效，在圖像中也觀察到了這種通過激活不同節(jié)點以尋找數(shù)據(jù)中特定的模式。

通用逼近定理已擴展為適用于其他激活函數(shù)（如ReLU和神經(jīng)網(wǎng)絡(luò)類型），但原理仍然適用。神經(jīng)網(wǎng)絡(luò)是實現(xiàn)通用逼近定義的最佳表現(xiàn)形式。

相對于通過復(fù)雜方程和關(guān)系數(shù)學形式來描述通用逼近定理，神經(jīng)網(wǎng)絡(luò)則通過構(gòu)建特殊的網(wǎng)絡(luò)結(jié)構(gòu)，并通過訓(xùn)練數(shù)據(jù)來獲得結(jié)構(gòu)中的參數(shù)。這個過程就好像是通過蠻力記憶將函數(shù)存儲在網(wǎng)絡(luò)中。這個匯集眾多節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)，通過訓(xùn)練過程來逼近任意函數(shù)過程就表現(xiàn)出具有某種聰明特征的智能系統(tǒng)了。

基于以上假設(shè)，神經(jīng)網(wǎng)絡(luò)至少可以在理論上構(gòu)造出一個函數(shù)，該函數(shù)基本上具有所需的精度（節(jié)點數(shù)越多，近似值越準確，當然不考慮過擬合的技術(shù)性），具有正確結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)可以對任何其他機器學習預(yù)測函數(shù)進行建模，反過來，其他任何機器學習算法，都不能這么說。

神經(jīng)網(wǎng)絡(luò)使用的方法并不是對一些現(xiàn)有的優(yōu)化模型，比如多項式回歸或者節(jié)點系統(tǒng)，只是對少量參數(shù)進行優(yōu)化，它是直接去逼近數(shù)據(jù)內(nèi)部所蘊含的規(guī)律，而不是基于某種特定的模型來描述數(shù)據(jù)。這種理念是那些常見到的網(wǎng)絡(luò)模型結(jié)構(gòu)與其它機器學習之間最為不同之處。

借助神經(jīng)網(wǎng)絡(luò)的力量以及對深度學習的不斷延伸領(lǐng)域的不斷研究，無論是視頻，聲音，流行病學數(shù)據(jù)還是兩者之間的任何數(shù)據(jù)，都將能夠以前所未有的精度來進行建模。神經(jīng)網(wǎng)絡(luò)確實可以被成為算法之算法。

責任編輯：haq