神经网络用于回归、分类或无监督学习。他们对未标记的数据进行分组，对数据进行分类或在监督训练后对连续值进行预测。神经网络通常在网络的最后一层使用逻辑回归的形式，将连续数据变为变量1或变量0。

在上图中，“x”是输入，从网络上一层传出的特征。进入最后一层隐藏层的每一个节点，将传递给许多x，并将每个x乘以w，相应的权重。对于偏移，乘积之和将被移动到一个激活函数中。激活函数是ReLU（整流线性单元），它不像Sigmoid函数那样在处理浅层梯度问题时容易饱和。ReLU为每个隐藏节点提供一个输出，激活a，并且激活被添加到通过激活和输出节点中。这意味着，执行回归的神经网络包含单个输出节点，并且该节点将先前层的激活总和乘以1，该网络的估值“y hat”将是结果。“Y”是所有x映射到的因变量。您可以以这种方式使用神经网络来获取与您尝试预测的y（一个因变量）相关的x（自变量）。

来源：kdnuggets