লজিস্টিক রিগ্রেশন এবং নিউরাল নেটওয়ার্কগুলির মধ্যে পার্থক্য কী?

Question

পরিসংখ্যানের কোন পটভূমি নেই এমন দর্শকদের কাছে আমরা কীভাবে লজিস্টিক রিগ্রেশন এবং নিউরাল নেটওয়ার্কের মধ্যে পার্থক্যটি ব্যাখ্যা করব?

Comments

পরিসংখ্যান ব্যাকগ্রাউন্ড সহ কেউ কি সত্যিই জানতে চান? এবং, পার্থক্যের একটি গ্রহণযোগ্য ব্যাখ্যা গঠন কী করবে? সম্ভবত একটি রূপক। অবশ্যই নীচের কোনও উত্তর (আজ অবধি) নয়, এগুলির সমস্তই পুরোপুরি "কোনও পটভূমি" প্রয়োজন মিস করে না।

— Rolando2

প্রশ্ন: "পরিসংখ্যানের কোন পটভূমি নেই এমন দর্শকদের কাছে আমরা কীভাবে লজিস্টিক রিগ্রেশন এবং নিউরাল নেটওয়ার্কের মধ্যে পার্থক্যটি ব্যাখ্যা করব?" উত্তর: প্রথমে আপনাকে তাদের পরিসংখ্যানগুলিতে একটি পটভূমি দিতে হবে।

— ফায়ারব্যাগ

আমি খোলা না থাকার কোনও কারণ দেখছি। আমাদের আক্ষরিকভাবে "ব্যাখ্যা ... পরিসংখ্যানের কোনও পটভূমি" নেওয়া উচিত নয়। '5 বছর বয়সী' বা 'আপনার নানী'র জন্য কাজ করবে এমন ব্যাখ্যা জিজ্ঞাসা করা সাধারণ। এগুলি নন- (বা কমপক্ষে কম ) প্রযুক্তিগত উত্তর জিজ্ঞাসা করার কেবল কথোপকথনের উপায় । এটিকে আরও স্পষ্টভাবে বলতে গেলে, উত্তরগুলি সর্বদা একযোগে একাধিক বাধা মেটাতে চেষ্টা করে যেমন যথার্থতা এবং ব্রেভিটি; এখানে আমরা এটি প্রযুক্তিগত কমানোর যুক্ত করব add বি / টি এলআর এবং এএনএন-এর পার্থক্যটির কম প্রযুক্তিগত ব্যাখ্যা চেয়ে আমাদের কাছে প্রশ্ন থাকতে পারে না এমন কোনও কারণ নেই।

— গুং - মনিকা পুনরায়

@mbq এটি মজার যে নভেম্বরে ২০১২ সালে নিউরাল নেটওয়ার্কগুলি অপ্রচলিত হিসাবে বর্ণনা করা সম্ভব হয়েছিল।

— লিটল

@ লিটলও এটি এখনও অনেকটা দাঁড়িয়ে আছে; NNs'12 কে NNs'12 এর সাথে তুলনা করুন এবং আপনি দেখবেন যে অগ্রগতি প্রকৃত নেটওয়ার্ক এবং প্রকৃত নিউরনের সাথে সাদৃশ্য সরিয়ে ফেলার পরিবর্তে স্টোকাস্টিক অপ্টিমাইজেশনের সাথে বীজগণিত ক্রিয়াকলাপগুলির আরও পরে going তবে নিশ্চিত, স্পষ্টতই এনএন ট্রেডমার্ক এতটাই শক্তিশালী প্রমাণিত হয়েছে যে এটি এর অর্থ নির্বিশেষে এটি দীর্ঘজীবী এবং সমৃদ্ধ হবে।

Answer 1

আমি ধরে নিয়েছি আপনি কী আগে ব্যবহার করছিলেন সে সম্পর্কে চিন্তাভাবনা করছেন এবং আপনার এখনও নিউরাল নেটওয়ার্কগুলি সম্পর্কে আপনার প্রশ্নে সম্ভবত 'মাল্টিলেয়ার পারসেপ্ট্রন' হিসাবে উল্লেখ করা হয়েছে। যদি তা হয় তবে আমি ব্যাখ্যামূলক ভেরিয়েবলগুলির একটি কার্য হিসাবে সিদ্ধান্তের সীমার আকার সম্পর্কে নমনীয়তার দিক থেকে পুরো বিষয়টি ব্যাখ্যা করব terms বিশেষত, এই দর্শকদের জন্য, আমি লিঙ্ক ফাংশন / লগ প্রতিক্রিয়া ইত্যাদির উল্লেখ করব না would এই ধারণাটি বজায় রাখুন যে কোনও ইভেন্টের সম্ভাবনাটি কিছু পর্যবেক্ষণের ভিত্তিতে পূর্বাভাস দেওয়া হচ্ছে।

এখানে একটি সম্ভাব্য ক্রম:

• নিশ্চিত হয়ে বলুন যে তারা ভবিষ্যদ্বাণী করা সম্ভাবনা কী তা জানেন। কিছু পরিচিত ডেটার প্রসঙ্গে এটি একটি ভেরিয়েবলের ক্রিয়াকলাপ হিসাবে দেখান । সিদ্ধান্তের প্রসঙ্গটি ব্যাখ্যা করুন যা লজিস্টিক রিগ্রেশন এবং নিউরাল নেটওয়ার্ক দ্বারা ভাগ করা হবে।
• লজিস্টিক রিগ্রেশন দিয়ে শুরু করুন। এটি লিনিয়ার কেস হিসাবে বর্ণনা করুন তবে দুটি ব্যাখ্যামূলক ভেরিয়েবলের সাহায্যে আউটপুট সম্ভাবনার তাপ বা কনট্যুর প্লট ব্যবহার করে ফলাফলের সিদ্ধান্তের সীমানার লাইনারিটি দেখান ।
• নোট করুন যে দুটি শ্রেণি তারা যে সীমানা দেখেছে তার দ্বারা ভালভাবে আলাদা নাও হতে পারে এবং আরও বক্রতা সীমা তৈরি করতে আরও নমনীয় মডেলকে প্রেরণা দেয়। প্রয়োজনে এমন কিছু ডেটা দেখান যা ভালভাবে এইভাবে আলাদা করা যায়। (এই কারণেই আপনি 2 টি ভেরিয়েবল দিয়ে শুরু করেন)
• নোট করুন যে আপনি অতিরিক্ত শর্তাদি উদাহরণস্বরূপ স্কোয়ারগুলি বা অন্যান্য রূপান্তরগুলি সহ মূল লিনিয়ার মডেলটিকে জটিল করতে শুরু করতে পারেন এবং এইগুলি তৈরি করে এমন সীমানা প্রদর্শন করতে পারে।
• তবে তারপরে এগুলি বাতিল করুন, পর্যবেক্ষণ করুন যে ফাংশন ফর্মটি কী হওয়া উচিত তা আপনি আগেই জানেন না এবং আপনি এটি ডেটা থেকে শিখতে পছন্দ করবেন। তারা যেমন উত্সাহী হন ঠিক তেমনি সম্পূর্ণ অসম্পূর্ণতার পক্ষে এর অসম্ভবতাটি নোট করুন এবং পরামর্শ দিন যে এটি 'চপি' এর চেয়ে কমপক্ষে 'মসৃণ' হওয়া উচিত, তবে অন্যথায় ডেটা দ্বারা নির্ধারিত হয়ে আপনি আনন্দের সাথে পরামর্শ দিন। (দাবী করুন যে তারা সম্ভবত ইতিমধ্যে কেবল মসৃণ সীমানাগুলির কথা ভেবেছিলেন, একইভাবে তারা সারাজীবন গদ্যের কথা বলছিলেন)।
• সাধারণ সংযোজনীয় মডেলের আউটপুট দেখান যেখানে আউটপুট সম্ভাবনাটি আসল সংযোজক সংমিশ্রণের পরিবর্তে মূল ভেরিয়েবলের জুটির একটি যৌথ ফাংশন - এটি কেবল প্রদর্শনের উদ্দেশ্যে for গুরুত্বপূর্ণভাবে, এটিকে একটি মসৃণ বলুন কারণ এটি দুর্দান্ত এবং সাধারণ এবং স্বজ্ঞাতভাবে বিষয়গুলি বর্ণনা করে। আগের মতো ছবিতে অ-রৈখিক সিদ্ধান্তের সীমানা প্রদর্শন করুন।
• নোট করুন যে এটি (বর্তমানে বেনামে) স্মুথের একটি মসৃণতা প্যারামিটার রয়েছে যা এটি আসলে কতটা মসৃণ করে তা নিয়ন্ত্রণ করে, ব্যাখ্যাটির পরিবর্তনশীলকে পূর্বাভাসযোগ্য সম্ভাবনায় রূপান্তরিত করার ফাংশনটির স্বাচ্ছন্দ্যতা সম্পর্কে পূর্ব বিশ্বাসের মতো হয়ে যাওয়ার বিষয়টি উল্লেখ করুন। সিদ্ধান্তের সীমানায় বিভিন্ন মসৃণতা সেটিংসের পরিণতিগুলি দেখান।
• এখন ডায়াগ্রাম হিসাবে নিউরাল নেট পরিচয় করিয়ে দিন। এটি উল্লেখ করুন যে দ্বিতীয় স্তরটি কেবল একটি লজিস্টিক রিগ্রেশন মডেল, তবে লুকানো ইউনিটগুলিতে ঘটে এমন অ-রৈখিক রূপান্তরটিও নির্দেশ করে। শ্রোতাদের মনে করিয়ে দিন যে এটি আউটপুট থেকে ইনপুট থেকে নেওয়া কেবল অন্য একটি কাজ যা তার সিদ্ধান্তের সীমানায় অ-লিনিয়ার হবে।
• দ্রষ্টব্য যে এটির অনেকগুলি প্যারামিটার রয়েছে এবং তাদের মধ্যে কিছুকে একটি মসৃণ সিদ্ধান্তের সীমানা তৈরি করতে বাধ্য করা দরকার - এমন কোনও সংখ্যার ধারণাটির পুনরায় প্রবর্তন করুন যা একই (ধারণাগতভাবে) সংখ্যা হিসাবে মসৃণতা নিয়ন্ত্রণ করে যা পরামিতিগুলিকে এক সাথে বেঁধে রাখে এবং দূরে রাখে চরম মান। এছাড়াও লক্ষ করুন যে এটির যত বেশি লুকানো ইউনিট রয়েছে তত বেশি বিভিন্ন ধরণের কার্যকরী রূপ এটি উপলব্ধি করতে পারে। স্বজ্ঞাততা বজায় রাখতে নমনীয়তার ক্ষেত্রে নমনীয়তা এবং প্যারামিটার সীমাবদ্ধতার ক্ষেত্রে লুকানো ইউনিটগুলির বিষয়ে কথা বলুন (এই চরিত্রটির গাণিতিক opালু সত্ত্বেও)
• তারপরে তাদের দাবি করে অবাক করে দিন যেহেতু আপনি এখনও কার্যকরী ফর্মটি জানেন না তাই আপনি অসীম সংখ্যক গোপন ইউনিট যুক্ত করে অনন্ত নমনীয় হতে চান । এই ডোবার ব্যবহারিক অসম্ভবতাটিকে কিছুটা দিন Let তারপরে লক্ষ্য করুন যে এই সীমাটি গণিতে নেওয়া যেতে পারে এবং জিজ্ঞাসা করুন (অলঙ্কৃতভাবে) এই জাতীয় জিনিসটি কেমন হবে।
• উত্তর দিন যে এটি আবার একটি মসৃণ হবে (একটি গাউসিয়ান প্রক্রিয়া, যেমনটি ঘটে; নিল, 1996, তবে এই বিবরণটি গুরুত্বপূর্ণ নয়), যেমন তারা আগে দেখেছিল। লক্ষ্য করুন যে আবার এমন পরিমাণ রয়েছে যা মসৃণতা নিয়ন্ত্রণ করে তবে অন্য কোনও নির্দিষ্ট প্যারামিটারগুলি (এই ধরণের জিনিস সম্পর্কে যত্নশীলদের জন্য একীভূত আউট)।
• উপসংহারে বলা যায় যে নিউরাল নেটওয়ার্কগুলি বিশেষ, স্পষ্টতই সীমাবদ্ধ, সাধারণ স্মুথারগুলির বাস্তবায়ন, যা অ-লিনিয়ার, লজিস্টিক রিগ্রেশন মডেলের অপরিহার্য সংযোজন নয়। তারপরে অন্য উপায়ে এটি করুন, লজিস্টিক রিগ্রেশন একটি নিউরাল নেটওয়ার্ক মডেলের সমান বা স্মুথিং প্যারামিটারের সাথে 'অতিরিক্ত অতিরিক্ত মসৃণ' অর্থাৎ লিনিয়ার সেট করে।

এই পদ্ধতির সুবিধাগুলি হ'ল সঠিক ধারণা দেওয়ার জন্য আপনাকে কোনও গাণিতিক বিশদে যেতে হবে না। আসলে তাদের মিল এবং পার্থক্য বুঝতে ইতিমধ্যে লজিস্টিক রিগ্রেশন বা নিউরাল নেটওয়ার্কগুলি বুঝতে হবে না।

পদ্ধতির অসুবিধাটি হ'ল আপনাকে প্রচুর ছবি বানাতে হবে এবং বিষয়গুলি ব্যাখ্যা করার জন্য বীজগণিতের মধ্যে নামার প্রলোভনটিকে দৃ strongly়তার সাথে প্রতিহত করতে হবে।

Answer 2

একটি সহজ সংক্ষিপ্তসার জন্য:

লজিস্টিক রিগ্রেশন: নিউরাল নেটওয়ার্কের সর্বাধিকতম রূপ, এর ফলে সিদ্ধান্তের সীমানা তৈরি হয় যা একটি সরলরেখা

নিউরাল নেটওয়ার্কস: একটি সুপারসেট যাতে লজিস্টিক রিগ্রেশন এবং অন্যান্য শ্রেণিবদ্ধ রয়েছে যা আরও জটিল সিদ্ধান্তের সীমানা তৈরি করতে পারে।

(দ্রষ্টব্য: আমি ইন্টিগ্রাল কার্নেলের সহায়তা ছাড়াই "প্লেইন" লজিস্টিক রিগ্রেশনকে উল্লেখ করছি)

(রেফারেন্স: অ্যান্ড্রু এনজি দ্বারা ডিপলাইনিং.ই কোর্স, "নিউরাল নেটওয়ার্ক হিসাবে লজিস্টিক রিগ্রেশন" এবং "একটি লুকানো স্তরের সাথে প্ল্যানার ডেটা শ্রেণিবদ্ধকরণ")

Comments

সমস্ত বর্তমান উত্তর থেকে আমার মনে হয় এটি কোনও স্ট্যাটিস্টিকাল পটভূমি নেই এমন ব্যক্তির ধারণার ব্যাখ্যা দেওয়ার সবচেয়ে বাস্তবসম্মত close

— ফায়ারব্যাগ

সুতরাং একটি লজিস্টিক লজিস্টিক রিগ্রেশন শ্রেণিবদ্ধকারী একটি নিউরাল নেটওয়ার্ক? ওটা অনেক কিছু প্রকাশ করে.

— বিজন লিন্ডকভিস্ট

Answer 3

আমি প্রশ্নটি আক্ষরিকভাবে নিতে যাচ্ছি: পরিসংখ্যানে কোনও পটভূমি নেই এমন কেউ । এবং আমি সেই ব্যক্তিকে পরিসংখ্যানগুলিতে একটি পটভূমি দেওয়ার চেষ্টা করব না। উদাহরণস্বরূপ, ধরুন আপনাকে কোনও সংস্থার সিইও বা সে জাতীয় কিছুতে পার্থক্যটি ব্যাখ্যা করতে হবে।

সুতরাং: লজিস্টিক রিগ্রেশন অন্যান্য ভেরিয়েবলের ক্ষেত্রে শ্রেণিবদ্ধ ভেরিয়েবলকে মডেলিংয়ের একটি সরঞ্জাম। এটি আপনাকে "অন্যান্য" ভেরিয়েবলগুলির প্রতিটি পরিবর্তন প্রথম ভেরিয়েবলের বিভিন্ন ফলাফলের প্রতিকূলতাকে কীভাবে প্রভাবিত করে তা খুঁজে বের করার উপায় সরবরাহ করে। আউটপুট ব্যাখ্যা করা মোটামুটি সহজ।

নিউরাল নেটওয়ার্কগুলি এমন একটি পদ্ধতির সেট যা কম্পিউটারকে উদাহরণগুলির মাধ্যমে এমন কিছু উপায়ে শেখার চেষ্টা করতে পারে যা মানুষ জিনিস সম্পর্কে কীভাবে শিখবে তা অস্পষ্টভাবে সাদৃশ্যপূর্ণ। এটি এমন মডেলগুলির ফলস্বরূপ হতে পারে যা ভাল ভবিষ্যদ্বাণীকারী তবে তারা সাধারণত লজিস্টিক রিগ্রেশনগুলির তুলনায় অনেক বেশি অস্বচ্ছ।

Comments

+1 কোনও ল্যাপারসন দ্বারা বোঝা যেতে পারে এমন একটি ব্যাখ্যা প্রদানের মূল চ্যালেঞ্জের দিকে এগিয়ে যাওয়ার জন্য এটি একটি প্রাথমিক প্রাথমিক প্রচেষ্টা, তবে যুক্তিযুক্তভাবে পরিষ্কার এবং নির্ভুল।

— হোবার

আপনাকে "শ্রেণীবদ্ধ", "পরিবর্তনশীল", "প্রতিক্রিয়া" কী তা ব্যাখ্যা করতে হবে। এছাড়াও, কৃত্রিম নিউরাল নেটওয়ার্কগুলি কেবল সত্যিকারের নিউরাল নেটওয়ার্ক দ্বারা অনুপ্রাণিত। আমাদের মস্তিস্ক যতদূর জানি পিছনে বংশ বিস্তার দ্বারা শিখতে পারে না। হ্যাঁ, এটি বেশিরভাগ তুলনামূলক সরলীকৃত ধারণার জন্য একটি দুর্দান্ত শব্দ। এছাড়াও, লজিস্টিক রিগ্রেশন হ'ল এক ধরণের নিউরাল নেটওয়ার্ক, তাই সেখানেও রয়েছে।

— ফায়ারব্যাগ

Answer 4

আমাকে শিখানো হয়েছিল যে আপনি নিউরাল নেটওয়ার্কগুলি (লজিস্টিক অ্যাক্টিভেশন ফাংশন সহ) লজিট ফাংশনগুলির একটি ওজনযুক্ত গড় হিসাবে নিজের অনুমানের ওজন হিসাবে ভাবতে পারেন। বিপুল সংখ্যক লগইট বেছে নিয়ে আপনি যে কোনও কার্যকরী ফর্মের সাথে ফিট করতে পারেন। ইকোনোমেট্রিক সংবেদন ব্লগ পোস্টে কিছু গ্রাফিকাল অন্তর্দৃষ্টি রয়েছে ।

Answer 5

অন্যান্য উত্তর দুর্দান্ত। আমি কেবল কিছু ছবি যুক্ত করব যা দেখায় যে আপনি লজিস্টিক রিগ্রেশন এবং মাল্টি-ক্লাস লজিস্টিক রিগ্রেশন (ওরফে ম্যাক্সেন্ট, মাল্টিনোমিয়াল লজিস্টিক রিগ্রেশন, সফটম্যাক্স রিগ্রেশন, সর্বাধিক এনট্রপি ক্লাসিফায়ার) নিউরাল নেটওয়ার্কগুলির একটি বিশেষ স্থাপত্য হিসাবে বিবেচনা করতে পারেন।

মিশিগান স্টেট বিশ্ববিদ্যালয় সেবাস্তিয়ান রাশকা থেকে কেডনুজেটস থেকে :

---

মাল্টি-ক্লাস লজিস্টিক রিগ্রেশন এর জন্য আরও কয়েকটি চিত্র:

একটি অনুরূপ উদাহরণ http://www.dePlayningbook.org/ অধ্যায় 1 থেকে নেওয়া :

টেনসরফ্লো টিউটোরিয়াল থেকে আরও একটি :

মধ্যে যেমন Caffe , আপনি লজিস্টিক রিগ্রেশন বাস্তবায়ন করবে নিম্নরূপ :

Comments

সুতরাং যেমন একটি নিউরাল নেটওয়ার্কে ব্যাক-প্রসারণ লজিস্টিক রিগ্রেশন হিসাবে একই ওজন গণনা করে?

— মিচ

@ মিচ - আমি অবদানের জন্য খেলায় দেরি হতে পারে। একটি মূল পার্থক্য হ'ল লজিস্টিক রিগ্রিজিওনের জন্য সহগগুলি পাওয়ার জন্য ম্লে ব্যবহার করা হয়। সংক্ষেপে এটি একটি নির্দিষ্ট ত্রুটি বা ক্ষতি ফাংশনের পছন্দ। নিউরাল নেট এর জন্য লোকসান ফাংশন অন্যতম পছন্দ। সুতরাং সঠিক ক্ষতির সাথে fn (আমি মনে করি আমার মাথার শীর্ষটি এটি স্ট্যান্ডার্ড এল ^ 2 আদর্শ) এই ক্ষেত্রে এটি।

— অ্যাগিনেস্কে

সুতরাং লজিস্টিক রিগ্রেশন ঠিক ADALINE (একক স্তর নিউরাল নেটওয়ার্ক যা ব্যাচ / স্টোকাস্টিক গ্রেডিয়েন্ট বংশোদ্ভূত ব্যবহার করে) এর মতো সূচিত করা যায়, একমাত্র কী পার্থক্যটি সক্রিয়করণ ফাংশন লিনিয়ার পরিবর্তে সিগময়েডে পরিবর্তিত হয় এবং পূর্বাভাসের ফাংশনটি = = 0.5 এর সাথে পরিবর্তিত হয় -1,1 লেবেল সহ> = 0 এর পরিবর্তে 0,1 লেবেল। আর একটি দৃ strongly়ভাবে পছন্দসই, তবে differenceচ্ছিক পার্থক্যটি আরএসএস থেকে ব্যয় ফাংশনকে লজিস্টিক ব্যয় ফাংশনে পরিবর্তন করা হচ্ছে কারণ সিগময়েড অ্যাক্টিভেশনটি আরএসএসকে নন-কনভেক্স করে তোলে যাতে আরএসএস স্থানীয় মিনিমে আটকে যেতে পারে।

— অস্টিন

Answer 6

আমি দর্শকদের বোঝে এমন একটি জটিল তবে দৃ concrete় সমস্যার উদাহরণ ব্যবহার করব। গোপন নোডগুলি ব্যবহার করুন যার ব্যাখ্যাগুলি প্রশিক্ষণপ্রাপ্ত নয়, তবে এর বিশেষ অর্থ রয়েছে।

আপনি যদি দাবা পজিশন ব্যবহার করেন (সাদা জিতবে কি না তার পূর্বাভাস), আপনি ইনপুটগুলিকে বোর্ডের উপস্থাপনা হতে দিতে পারেন (আপনি পাসে কাসল বা ক্যাপচার করতে পারবেন কিনা, এমনকি যার পদক্ষেপ এটিও উপেক্ষা করুন), বলুন বাইনারি ইনপুট প্রতিটি বর্গক্ষেত্রে প্রতিটি ধরণের একটি টুকরা রয়েছে কিনা তা নির্দেশ করে।$64 \times 12$

লিনিয়ার রিগ্রেশন এইচ 4 এ একটি সাদা নাইট রাখা কতটা ভাল তা নির্ধারণ করে। এটি মোটেও ভাল এটি সুস্পষ্ট নাও হতে পারে, তবে এটি h4 এ থাকলে এটি ধরা পড়ে না, যা সম্ভবত অন্যান্য বিবেচনার চেয়েও বেশি। লিনিয়ার রিগ্রেশন সম্ভবত টুকরোগুলির রুক্ষ মানগুলি পুনরুদ্ধার করে এবং বোর্ডের কেন্দ্র এবং আপনার প্রতিপক্ষের বোর্ডের পাশে আপনার টুকরোগুলি রাখাই ভাল। লিনিয়ার রিগ্রেশন সংমিশ্রণের মূল্য দিতে অক্ষম, যেমন বি 2-তে আপনার রানী হঠাৎ করে আরও মূল্যবান হয় যদি বিরোধী রাজা A1 তে থাকে।

একটি নিউরাল নেটওয়ার্ক ধারণার জন্য লুকানো নোড থাকতে পারে, যেমন "উপাদান উপকার," "ব্ল্যাক কিং সুরক্ষা," "কেন্দ্রের নিয়ন্ত্রণ", "" উভয় ডি-ফাইলে রুকস, "" বিচ্ছিন্ন কুইন রুক প্যাঁ, "বা" বিশপ " গতিশীলতা। " এর মধ্যে কিছু বোর্ড বোর্ডের ইনপুট থেকে অনুমান করা যায়, অন্যরা হয়ত দ্বিতীয় বা পরে লুকানো স্তরে থাকতে পারে। নিউরাল নেটওয়ার্ক এটিকে অবস্থানের চূড়ান্ত মূল্যায়নের ইনপুট হিসাবে ব্যবহার করতে পারে। এই ধারণাগুলি একটি বিশেষজ্ঞকে একটি অবস্থান নির্ধারণে সহায়তা করে, তাই নিউরাল নেটওয়ার্কটি লিনিয়ার রিগ্রেশনের চেয়ে আরও সঠিক মূল্যায়নে সক্ষম হতে হবে। যাইহোক, আপনাকে নিউরাল নেটওয়ার্ক তৈরি করতে আরও কাজ লাগে কারণ যেহেতু আপনাকে এর কাঠামোটি বেছে নিতে হবে এবং প্রশিক্ষণের জন্য এটির আরও অনেকগুলি পরামিতি রয়েছে।