没有隐藏层的神经网络是否表现得像回归？我们可以说没有隐藏层的NN可以说我们吗？
如果我们有例如 20 个输入和 4 个输出并且我没有真正的标签，它是否类似于回归？
如果是回归，那么它将是监督学习，但没有真正的标签！
这个澄清有什么问题？
更多说明：另外，我有一个 dqn（q-learning 方法中的深度学习结构）！不幸的是，我没有最佳答案！我正在寻找一种方法来比较我的结果，也许我可以通过使用非监督学习方法而不是 DNN 来进行比较！例如，您可以放置一个没有隐藏层的 DNN，因为它的行为类似于线性回归，那么您可以使用每个监督学习来代替它！由于没有真正的标签，我在训练部分有问题，并用监督学习估计 DNN 部分！另外，因为它是 MDP，我无法用无监督学习估计 DNN 部分！
然后，您将其称为感知模型。就像在 1945 年左右一样，一些研究人员在没有隐藏层的情况下这样做了。他们提出了 AND、OR、XOR 问题，您可以使用单个感知模型解决 AND、OR 问题，但该模型无法解决 XOR 问题。
有两种回归：线性和非线性。神经网络中的激活函数使它们成为非线性回归器。
如果您不放置任何激活函数，神经网络将是一个线性回归器。
然后它会像： （这是 相等的）。但是当你添加激活函数让它成为sigmoid然后它实现了一个非线性空间。就像
“例如，如果我们有20 个输入和 4 个输出，而我没有真正的标签，它是否类似于回归？” --- 在这你只是删除反向传播的东西。像线性、多项式等通常的回归算法所做的是它们只是预测函数，但从不学习像神经网络这样的东西，通过优化权重来学习正确的函数。如果您没有真实水平，则意味着您没有计算 [true-predicted] 之间的损失值，因此这将是一个简单的回归。
对于您的第一个问题，没有隐藏层的 NN 只是线性回归。当然有一个激活函数，但是你可以在你的目标集上使用那个激活函数的反函数，那么它基本上是一个线性回归。
您的陈述的第二部分令人困惑。你需要澄清你想用你的神经网络做什么。一些无监督网络包括玻尔兹曼机、自动编码器等，用于特征提取和降维。但是，我们不知道这是否是您想要的。
如果是强化学习，那就是强化学习。RL 既不受监督也不受监督。