델타 규칙 문서 원본 보기

{{위키데이터 속성 추적}}
'''델타 규칙'''(delta rule)은 경사 하강법(Gradient Descent) 학습 방법으로, 싱글 레이어 퍼셉트론에서 인공 [[뉴런]]들의 연결강도를 갱신하는데 쓰인다. 뉴런 <math>j \,</math>와 활성함수 <math>g(x) \,</math> 에 대하여, <math>j \,</math>의 <math>i \,</math>번째 연결강도 <math>w_{ji} \,</math>에 대한 델타 규칙은 다음과 같다.
:<math>\Delta w_{ji}=\alpha(t_j-y_j) g'(h_j) x_i  \,</math>,

여기서 <math>\alpha \,</math>는 ''학습 속도''라고 불리는 작은값의 상수이고, <math>g(x) \,</math>는 뉴런의 활성함수, <math>t_j \,</math>는 원하는 목표 결과값, <math>y_j \,</math>는 실제 결과값, 그리고 <math>x_i \,</math>는 <math>i \,</math>번째 입력값이다. 이것은 다음 식을 만족한다.
:<math>h_j=\sum x_i w_{ji} \,</math> and <math>y_j=g(h_j) \,</math>.

델타 규칙은 다음과 같은 선형 활성함수를 가진 간단한 형태의 퍼셉트론에서 주로 언급된다.
:<math>\Delta w_{ji}=\alpha(t_j-y_j) x_i  \,</math>
== 같이 보기 ==
* [[확률적 경사 하강법]]
* [[역전파]]
* [[레스콜라-와그너 모델]]

{{전거 통제}}

[[분류:신경망]]
[[분류:인공신경망]]