Многослойный персептрон означает многоуровневый классификатор. В отличие от других алгоритмов классификации, таких как опорные векторы или наивный байесовский классификатор, MLP полагается на базовую нейронную сеть для выполнения задачи классификации.
MLP показал возможность находить приближённые решения для чрезвычайно сложных задач. Поскольку классификацию можно рассматривать как частный случай регрессии, когда выходная переменная категориальная, на основе MLP можно строить классификаторы.
Процедура MLP создает прогностическую модель для одной или нескольких зависимых (целевых) переменных на основании значений переменных предикторов. Например сотруднику банка необходимо идентифицировать характеристики, которые свойственны клиентам, предрасположенным к задержке в погашении долгов, а также использовать эти характеристики, чтобы оценить степень риска при выдаче ссуд. Используя выборку бывших клиентов, этот сотрудник может обучить многослойный перцептрон, проверить результаты анализа на контрольной выборке бывших клиентов, а затем использовать сеть для классификации клиентов по степени риска невозврата ссуды.
Пик популярности MLP в машинном обучении пришёлся на 1980-е годы в таких областях, как распознавание речи и изображений, системах машинного перевода, а также для классификации клиентов по степени риска невозврата ссуды.
Характерный признаки MLP:
- Персептроны (нейроны) уложены в несколько слоев.
- Каждый узел на каждом уровне связан со всеми другими узлами на следующем уровне.
- Между узлами внутри одного слоя нет связи.
- Это полностью (плотно) связанная нейронная сеть (FCNN).
В MLP данные перемещаются от входа к выходу через слои в одном (прямом) направлении. В некоторой литературе Многослойный песептрон также известен как нейронные сети с прямой связью (FFNN) или сеть с глубокой прямой связью (DFFN).
