Wann sollten RBF-Netzwerke anstelle von mehrschichtigem Perzeptron verwendet werden?

Ich verstehe, dass ein neuronales Netzwerk mit radialer Basisfunktion (RBF) normalerweise eine verborgene Schicht hat und sich von einem mehrschichtigen Perzeptron (MLP) unter anderem durch seine Aktivierungs- und Kombinationsfunktionen unterscheidet, aber wie entscheide ich, wann ein Datensatz / Problem ist besser für einen RBF anstelle eines MLP geeignet? Muss ich jedes Mal beides ausprobieren und die Ergebnisse vergleichen?

Sie können RBF-Netzwerke verwenden, wenn Sie nicht unbedingt mehrere versteckte Ebenen in Ihrem Modell haben müssen und, was noch wichtiger ist, möchten, dass Ihr Modell gegenüber widersprüchlichen Rauschen / Beispielen robust ist. Der Vorteil von RBF-Netzwerken besteht darin, dass sie Ihre Vorhersage wesentlich robuster machen. Wie bereits erwähnt, sind sie jedoch im Vergleich zu häufig verwendeten Arten neuronaler Netzwerke eingeschränkter. Häufig verwendete Arten von neuronalen Netzwerkmodellen sind jedoch sehr anfällig für kontroverses Rauschen und können sehr falsche Vorhersagen treffen, wenn sie mit Beispielen wie ihren Eingaben gespeist werden. Dies ist bei RBF-Netzen nicht der Fall, was anscheinend auf ihre nichtlineare Natur dieser Netze zurückzuführen ist. Es ist also ein Kompromiss zwischen einer höheren Genauigkeit in häufig verwendeten Typen neuronaler Netze oder einer höheren Robustheit in radialen Funktionsnetzen.

Quellen

• Faszinierende Eigenschaften neuronaler Netze
• RBF-Netzwerke
• Widersprüchliche Beispiele erklären und nutzen