从本质上讲，神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中，
我们被限制为使用数据中的原始特征??1, ??2, . . . , ????，我们虽然可以使用一些二项式项来组合
这些特征，但是我们仍然受到这些原始特征的限制。在神经网络中，原始特征只是输入层，
在我们上面三层的神经网络例子中，第三层也就是输出层做出的预测利用的是第二层的特
征，而非输入层中的原始特征，我们可以认为第二层中的特征是神经网络通过学习后自己得
出的一系列用于预测输出变量的新特征。
神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑与(AND)、
逻辑或(OR)。
举例说明：逻辑与(AND)；下图中左半部分是神经网络的设计与output 层表达式，右边
上部分是sigmod 函数，下半部分是真值表。
我们可以用这样的一个神经网络表示AND 函数：
其中??0 = ?30, ??1 = 20, ??2 = 20 我们的输出函数??? (??)即为：???(??) = ??(?30 + 20??1 +
20??2)
我们知道??(??)的图像是：
所以我们有：???(??) ≈ x1AND x2
所以我们的：
这就是AND 函数。
接下来再介绍一个OR 函数：
OR 与AND 整体一样，区别只在于的取值不同。
吴恩达机器学习笔记26-样本和直观理解1（Examples and Intuitions I）
原文：https://www.cnblogs.com/sl0309/p/10410058.html