各 入力特徴量（x₁, x₂, x₁², x₂², x₁x₂, sin x₁, sin x₂）から、
隠れ層のニューロンを通して最終的に y ∈ [-1, +1] を出力します。
予測と正解のズレ（損失）が小さくなるよう、誤差逆伝播法で重み w とバイアス b を更新します。
📚 もっと詳しく（数式と理論）
1ニューロンの出力: y = φ(Σᵢ wᵢxᵢ + b) ／ φ は活性化関数（Tanh, ReLU, Sigmoid）。
損失（MSE）: L = (1/N) Σ (ŷ − y)²
勾配降下法: w ← w − η ∂L/∂w ／ η は学習率。
L1/L2 正則化を加えると、重みが極端に大きくなることを防ぎ、過学習を抑制できます。
入力特徴量
📍 データと出力
y = −1
y = +1
🧠 ネットワーク
2
4
データセット
ハイパーパラメータ
0.00
📊 メトリクス
エポック 0
損失 (MSE) --
正解率 0%