【机器学习】广义回归神经网络（GRNN）的python实现
- 一、广义回归神经网络原理
- 1.1、GRNN与PNN的关系
- 2.2、GRNN的网络结构
- 二、广义回归神经网络的优点与不足
- 2.1、优点
- 2.2、不足
- 三、GRNN的python实现
- 参考资料
一、广义回归神经网络原理
1.1、GRNN与PNN的关系
广义回归神经网络（Generalized Regression Neural Network）的网络结构类似于RBF神经网络。与概率神经网络（PNN）相同，GRNN也是一个前向传播的网络，不需要反向传播求模型参数；不同的是GRNN用于求解回归问题，而PNN用于求解分类问题。关于GRNN的数学原理可以参考资料【1】。
2.2、GRNN的网络结构
如下图所示，GRNN与PNN一样也是一个四层的网络结构。
对于回归问题训练数据集包括样本特征集与标签集，假设样本特征集为： { t r x 1 , t r x 2 , ⋯   , t r x m } \left\{ {tr{x_1},tr{x_2}, \cdots ,tr{x_m}} \right\} {trx1,trx2,⋯,trxm}，每一个样本的维度为 n n n，即 t r x i = [ x 1 , x 2 , ⋯   , x n ] tr{x_i} = [{x_1},{x_2}, \cdots ,{x_n}] trxi=[x1,x2,⋯,xn]。标签集为： { t r y 1 , t r y 2 , ⋯   , t r y m } \left\{ {tr{y_1},tr{y_2}, \cdots ,tr{y_m}} \right\} {try1,try2,⋯,try
