我正在尝试构建一个用于回归的简单径向基函数网络（RBFN）。我有一个包含超过600个样本的20维（特征）数据集。我需要最终的网络能够为每个20维样本输出一个标量值。

注意：我对机器学习是新手，感觉在这里错过了某个重要概念。

使用感知器，我们可以，并且我已经训练了一个线性网络，直到预测误差达到最小，使用了初始样本的一个小子集。

RBFN是否有类似的过程？

回答：

是的，确实有，

多层感知器和RBFN之间的主要区别有两个：RBFN通常只有一层，并且激活函数是高斯函数而不是S形函数。

训练阶段可以使用误差损失函数的梯度下降法来完成，因此实现起来相对简单。

请记住，RBFN是RBF单元的线性组合，因此输出的范围是有限的，如果你需要超出该范围的标量，你需要对其进行转换。

你可以参考一些资源：

[PDF] (http://scholar.lib.vt.edu/theses/available/etd-6197-223641/unrestricted/Ch3.pdf)

[Wikipedia] (http://en.wikipedia.org/wiki/Radial_basis_function_network)

[Wolfram] (http://reference.wolfram.com/applications/neuralnetworks/NeuralNetworkTheory/2.5.2.html)

希望对你有帮助，