神经网络怎么回归，BP神经网络求线性回归问题

1，BP神经网络求线性回归问题

是的，对于回归问题，output layer的激活函数采用恒等函数f(x)=x即可cost layer可以采用平方和误差

bp神经网络我没有用过，我建议你拿100悬赏分在问一下，这样回答者能在多一些。或者去一些知名的bp神经网络的论坛去问一下。

BP神经网络求线性回归问题

2，如何用caffe解决回归问题

确定的说，caffe是可以做回归的。因为神经网络本质上是一个非常复杂的非线性函数，合理设计其网络结构，它的输出值的范围是可以覆盖你的回归目标的范围的。具体例子，可以参考唐晓鸥团队利用卷积神经网络做的人脸关键点定为，这是利用神经网络做回归的一个典型例子。

虽然我很聪明，但这么说真的难到我了

如何用caffe解决回归问题

3，BP神经网络的预测回归过程C语言程序

神经网络本质也是一种数据回归模型。我们举个简单的例子y=ax^2+bx+c，有三个系数要回归，如果只给你1～2组数据，你觉得能回归好吗？考虑到样本本身有误差，为了防止过拟合（或过学习），一般要求神经网络的训练样本数是连接权系数（包括阈值）的2～3倍。你用了太多的连接权系数（包括阈值），即使效果不错，风险仍然很高。

搜一下：BP神经网络的预测（回归）过程C语言程序

BP神经网络的预测回归过程C语言程序

4，如何用神经网络做线性回归预测python

1：神经网络算法简介2：Backpropagation算法详细介绍3：非线性转化方程举例4：自己实现神经网络算法NeuralNetwork5：基于NeuralNetwork的XOR实例6：基于NeuralNetwork的手写数字识别实例7：scikit-learn中BernoulliRBM使用实例8：scikit-learn中的手写数字识别实例

her eyes with both hands再看看别人怎么说的。

5，recurrent neural network是什么意思

recurrent neural network　　英 [r??k?:r?nt ?nju?r?l ?netw?:k]　　美 [r??k?:r?nt ?n?r?l ?n?t?w?k]　　[词典][计] 递归神经网络;　　[网络]循环神经网络; 回归神经网络; 神经网络;　　[例句]The recurrent neural network ( RNN) model based on projective operator is studied.　　研究了一种基于投影算子的神经网络模型

6，神经网络是回归算法还是分类算法

不是很清楚题主所说的难具体指什么如果题主指应用算法解决实际问题的话决策树要简单一些有很多封装的很好的decisiontree的包，比如CART，C4.5等等而神经网络(NN)一般有大量参数需要手工设置和调节如果题主指算法推导的难度的话两个差不多吧决策树的分裂方法可能稍微简单一下NN的话用BP或者SGD的话都需要用chainrule求导

不是二选一吧？神经网络具有优秀的非线性逼近性能，使它在模式分类、聚类、回归与拟合、优化计算、数据压缩等领域都有出色表现。

7，求助神经网络做非线性回归问题

样本变量不需要那么多，因为神经网络的信息存储能力有限，过多的样本会造成一些有用的信息被丢弃。如果样本数量过多，应增加隐层节点数或隐层数目，才能增强学习能力。一、隐层数一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。二、隐层节点数在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

支持一下感觉挺不错的