Wanneer je iets koopt via de affiliate links in onze content, kunnen we een commissie ontvangen zonder extra kosten voor jou. Ontdek Wat betekent Backpropagation?
Backpropagation is een algoritme dat wordt gebruikt in kunstmatige intelligentie (AI) om wiskundige gewichtsfuncties te verfijnen en de nauwkeurigheid van de uitvoer van een kunstmatig neuraal netwerk te verbeteren.
Een neuraal netwerk kan worden gezien als een groep verbonden input/output (I/O) nodes. Het nauwkeurigheidsniveau dat elk knooppunt produceert, wordt uitgedrukt als een verliesfunctie (foutpercentage). Backpropagation berekent de wiskundige gradiënt van een verliesfunctie ten opzichte van de andere gewichten in het neurale netwerk. De berekeningen worden vervolgens gebruikt om kunstmatige netwerkknooppunten met hoge foutpercentages minder gewicht te geven dan knooppunten met lagere foutpercentages.
Backpropagation gebruikt een methodologie om output te verbeteren – deze methodologie wordt ‘kettingregel’ genoemd. In principe voert het algoritme na elke voorwaartse passage door een netwerk een achterwaartse passage uit om de gewichten van het model aan te passen.
Een belangrijk doel van backpropagation is om datawetenschappers inzicht te geven in hoe het veranderen van een gewichtsfunctie leidt tot veranderingen in verliesfuncties en het algemene gedrag van het neurale netwerk. De term wordt soms gebruikt als synoniem voor “foutcorrectie”.
Techopedia legt uit wat Backpropagation is
Backpropagation wordt gebruikt om aan te passen hoe nauwkeurig of precies een neuraal netwerk bepaalde inputs verwerkt. Backpropagation maakt gebruik van gradiëntdaling: Een techniek die de gradiënt van de verliesfunctie berekent en deze verdeelt over de lagen van een neuraal netwerk. Het resultaat zijn aangepaste gewichten voor individuele neuronen.
Na het ontstaan van eenvoudige feedforward neurale netwerken, waarbij gegevens slechts één kant op gaan, ontdekten ingenieurs dat ze backpropagation konden gebruiken om neurale inputgewichten achteraf aan te passen.
Hoewel backpropagation kan worden gebruikt in zowel supervised als unsupervised learning, wordt het meestal gekarakteriseerd als een supervised learningalgoritme omdat er in eerste instantie een bekende, gewenste output moet zijn voor elke invoerwaarde om een gradiënt van de verliesfunctie te berekenen.
