सिंगल लेयर परसेप्ट्रॉन मॉडल की विस्तृत समझ

परिचय

इस लेख में हम सिंगल लेयर परसेप्ट्रॉन (Single Layer Perceptron) मॉडल को बायोलॉजिकल न्यूरॉन की तरह समझेंगे और इसके मुख्य घटकों – इनपुट, वेट, बायस, एक्टिवेशन फ़ंक्शन तथा लर्निंग रूल – को विस्तार से देखेंगे।

परसेप्ट्रॉन क्या है?

• परसेप्ट्रॉन एक सरल आर्टिफिशियल न्यूरल नेटवर्क है जो बायोलॉजिकल ब्रेन के न्यूरॉन की कार्यप्रणाली को अनुकरण करता है।
• यह केवल एक लेयर (सिंगल लेयर) में कई इनपुट को वेटेड सम में बदलता है और फिर एक्टिवेशन फ़ंक्शन के माध्यम से बाइनरी आउटपुट (0 या 1) देता है।

मुख्य घटक

1. इनपुट लेयर
2. विभिन्न फीचर (जैसे पढ़ने के घंटे, सोने के घंटे, खेलने के घंटे, खाने के घंटे) को इनपुट वैल्यू के रूप में लिया जाता है।
3. वेट (Weights)
4. प्रत्येक इनपुट को एक स्केलर वेट से गुणा किया जाता है। वेट यह दर्शाता है कि वह फीचर निर्णय प्रक्रिया में कितना महत्व रखता है।
5. बायस (Bias)
6. एक स्थिर कॉन्स्टेंट जो वेटेड सम में जोड़ी जाती है ताकि निर्णय सीमा (decision boundary) को बाएँ‑या‑दाएँ शिफ्ट किया जा सके।
7. एक्टिवेशन फ़ंक्शन
8. साधारण परसेप्ट्रॉन में थ्रेशहोल्ड फ़ंक्शन (step function) उपयोग होता है: यदि वेटेड सम ≥ 0 तो आउटपुट = 1, अन्यथा = 0।
9. मल्टी‑लेयर परसेप्ट्रॉन में सिग्मॉइड या सिग्मैक्स जैसे नॉन‑लाइनियर फ़ंक्शन उपयोग होते हैं।

कार्यप्रणाली का चरण‑दर‑चरण विवरण

1. इनपुट × वेट: प्रत्येक इनपुट को उसके संबंधित वेट से गुणा करें।
2. वेटेड सम: सभी गुणा किए हुए मानों को जोड़ें और बायस जोड़ें।
3. एक्टिवेशन: वेटेड सम को एक्टिवेशन फ़ंक्शन में डालें और बाइनरी आउटपुट प्राप्त करें।
4. प्रेडिक्शन vs वास्तविक: प्राप्त आउटपुट को वास्तविक लेबल (पास/फ़ेल) से तुलना करें।
5. त्रुटि (Error) गणना: Error = Actual - Predicted।
6. वेट एवं बायस अपडेट:
7. Δw = learning_rate * Error * input
8. new_w = old_w + Δw
9. Δb = learning_rate * Error
10. new_b = old_b + Δb
11. इटरेशन: सभी डेटा पॉइंट्स पर यह प्रक्रिया दोहराएँ जब तक त्रुटि शून्य न हो जाए या इटरेशन सीमा तक न पहुँचें।

उदाहरण: छात्र का पास/फ़ेल अनुमान

• इनपुट: पढ़ने के घंटे (x1), सोने के घंटे (x2)
• प्रारम्भिक वेट: w1 = 0, w2 = 0, बायस = 0
• लर्निंग रेट: η = 1 (उदाहरण हेतु)
• डेटा पॉइंट 1: x1 = 2, x2 = 5, वास्तविक आउटपुट = 0
• वेटेड सम = 20 + 50 + 0 = 0 → प्रेडिक्शन = 1 (त्रुटि = -1)
• अपडेट: w1 = 0 + 1(-1)2 = -2, w2 = 0 + 1(-1)5 = -5, बायस = 0 + 1*(-1) = -1
• डेटा पॉइंट 2: x1 = 5, x2 = 8, वास्तविक आउटपुट = 1
• वेटेड सम = 5(-2) + 8(-5) + (-1) = -25 -58 -1 = -10 -40 -1 = -51 → प्रेडिक्शन = 0 (त्रुटि = 1)
• अपडेट: w1 = -2 + 115 = 3, w2 = -5 + 118 = 3, बायस = -1 + 1*1 = 0
• इस प्रकार कई इटरेशन के बाद वेट्स स्थिर हो जाते हैं और मॉडल सही वर्गीकरण करता है।

सीखने की प्रक्रिया (Learning Rule)

परसेप्ट्रॉन लर्निंग रूल वेट्स को क्रमिक रूप से समायोजित करता है ताकि सभी प्रशिक्षण उदाहरणों के लिए त्रुटि न्यूनतम हो। यह एक ग्रेडिएंट‑डेसेंट‑समान विधि है, परन्तु केवल रैखिक विभाज्य समस्याओं के लिए ही काम करता है।

सीमाएँ और आगे का मार्ग

• रैखिक विभाज्यता: यदि डेटा सेट रैखिक रूप से विभाज्य नहीं है तो सिंगल लेयर परसेप्ट्रॉन विफल रहता है।
• मल्टी‑लेयर परसेप्ट्रॉन (MLP): कई हिडन लेयर्स जोड़ने से नॉन‑लाइनियर निर्णय सीमाएँ संभव हो जाती हैं, जिससे जटिल पैटर्न भी सीख सकते हैं।

निष्कर्ष

सिंगल लेयर परसेप्ट्रॉन न्यूरल नेटवर्क का सबसे बुनियादी निर्माण खंड है। यह इनपुट, वेट, बायस और एक्टिवेशन फ़ंक्शन के संयोजन से रैखिक वर्गीकरण करता है और लर्निंग रूल के माध्यम से वेट्स को क्रमशः अपडेट करता है। इस मूलभूत समझ के बिना अधिक जटिल मल्टी‑लेयर नेटवर्क की अवधारणा को समझना कठिन होगा।

परसेप्ट्रॉन एक सरल लेकिन शक्तिशाली मॉडल है जो इनपुट फीचर को वेटेड सम में बदलकर थ्रेशहोल्ड‑आधारित बाइनरी निर्णय देता है; इसका लर्निंग रूल वेट और बायस को क्रमशः समायोजित करके मॉडल को प्रशिक्षण डेटा के अनुरूप बनाता है, जिससे यह न्यूरल नेटवर्क की आगे की जटिल संरचनाओं का आधार बनता है।