퍼센트론 #

퍼셉트론(perceptron)은 인공신경망의 한 종류로서, 1957년에 코넬 항공 연구소(Cornell Aeronautical Lab)의 프랑크 로젠블라트 (Frank Rosenblatt)에 의해 고안되었다. 이것은 가장 간단한 형태의 피드포워드(Feedforward) 네트워크 - 선형분류기- 으로도 볼 수 있다.

퍼셉트론이 동작하는 방식은 다음과 같다. 각 노드의 가중치와 입력치를 곱한 것을 모두 합한 값이 활성함수에 의해 판단되는데, 그 값이 임계치(보통 0)보다 크면 뉴런이 활성화되고 결과값으로 1을 출력한다. 뉴런이 활성화되지 않으면 결과값으로 -1을 출력한다.

마빈 민스키와 시모어 페퍼트는 저서 "퍼셉트론"에서 단층 퍼셉트론은 XOR 연산이 불가능하지만, 다층 퍼셉트론으로는 XOR 연산이 가능함을 보였다.

-Wikipedia : 퍼셉트론 -

뉴런과 퍼셉트론 (출처: 구글)

퍼셉트론의 구조 #

퍼셉트론은 그림과 같이 여러 개의 신호(x1, x2, x3,...)를 입력받아서 하나로 출력(output)한다. 여기서, 입력과 출력은 2진수 값(0,1)이다. 각각의 입력 신호에는 가중치가 부여되는 데, 한 퍼셉트론에 들어온 모든 입력 x 가중치의 합(transfer function)이 임계 값(threshold; 입력값이 활성화되기 위한 최소값)보다 적으면 0이 출력되고, 크면 1이 출력되는 구조이다. 이렇게 임계 값보다 작은지 큰지를 판단해서 출력하는 함수를 활성함수(activation function)이라 한다.

Sheme of a perceptron (출처 : D Álvarez, 2017)

퍼셉트론이 학습데이터로 학습하면서 더 정확한 출력을 낼 수 있도록 가중치가 조정된다. 아래는 단층 퍼셉트론을 이용하여 기계학습이 진행되면서 linear boundary가 점점 더 정교하게 조정되어가는 것을 보여주는 그림이다.

perceptron updating its linear boundary as more traing examples are added (출처 : Wikipedia - Perceptron)

퍼셉트론의 활용 #

퍼셉트론을 이용하여 입력값의 변화에 따른 결과를 예측할 수 있다. 예를 들어, 특정 질병을 진단한다고 하면 환자의 나이, 키, 몸무게 등 질병에 영향을 줄 것으로 생각되는 요인들을 입력값으로 지정하여 퍼셉트론에 적용할 수 있다.

Dual-phase framework for heart disease diagnosis (출처 : Yang Koo Lee, 2015)

Reference #

• Wikipedia : Perceptron
• Usefulness of Artificial Neural Networks in the Diagnosis and Treatment of Sleep Apnea-Hypopnea Syndrome (2017)
• Dual-Phase Approach to Improve Prediction of Heart Disease in Mobile Environment (2015)

Incoming Links #

Related Data Sciences (DataScience 0) #

• 기계학습/지도학습

Suggested Pages #

• 0.025 Overfitting
• 0.025 비지도학습
• 0.025 인공지능
• 0.025 Classification
• 0.025 Unsupervised learining
• 0.025 Rainforced learning
• 0.025 Optimization
• 0.025 뉴런
• 0.025 강화학습
• 0.025 지도학습
• More suggestions...