Современная математика глубокого обучения

Средняя суррогатная потеря

Проект с пингвинами

Проект использует 342 записи Palmer с нужными измерениями: 240 для обучения, 102 для проверки. Выбранные примеры для обучения определяют масштабирование и параметры модели. Исходный CSV

Этот проект обучает веса с помощью softmax, в отличие от лаборатории на главной странице, где используются ближайшие средние по видам. Те же измерения пингвинов, но разные методы классификации. Предсказания могут различаться.

Целевые функции · Объединяют потери и штрафы в критерий для параметров или правил.

По прогнозам и известным ответам вычисляется значение функции потерь. Классификация использует кросс-энтропию и α/2 суммы квадратов весов без смещений; гребневая регрессия использует среднюю квадратичную ошибку нормированной массы и α суммы квадратов всех коэффициентов, включая смещение.

Рассмотрите понятие рядом с проектом: предположения источника могут отличаться. Эти наблюдения не доказывают теорему.

Вход: 12 × 2; Проверка на новых данных: 102 · #58 · 40.6 мм, 193 мм. Известный ответ: Адели; Прогноз: Адели · [≈0,7383; ≈0,2444; ≈0,01737].

Используется в разделах источника: 1.2 Обучение на примерах

Вычислите суррогатную потерю для каждого обучающего примера, затем усредните.

Суррогат может заменить разрывную ошибку классификации при оптимизации.

Пример формулы источника

\frac{1}{m}\sum_{i=1}^{m}{\mathcal{L}}^{\mathrm{surr}}(f,z^{(i)}),

Точное вычисление · Это среднее конечной выборки не является риском генеральной совокупности.

Обозначения

$Lˢᵘʳʳ$: Суррогатная потеря на одном примере.
$f$: Функция предсказания.
$z⁽ⁱ⁾$: Обучающий пример i.
$m$: Число примеров.

Пример формулы источника

Этот пример использует свои входные данные и предположения. Его изменение не меняет проект.

Измените значение или код и запустите пример. Это конечная иллюстрация, а не доказательство теоремы.

Первая оценка

Поток данных в этом примере

Вы выбираете

input.score = 0

Начальные значения в коде

labels = [1, -1]

Вычисляется здесь

Выражение результата: { losses, mean: losses.reduce((a, b) => a + b, 0) / losses.length }

scores = [input.score, 0] Использует: input.score
losses = scores.map((v, i) => Math.log(1 + Math.exp(-labels[i] * v))) Использует: scores, labels

Возвращает

Пример результата

losses: массив (2 элементов): [≈0,6931, ≈0,6931]
mean: ≈0,6931

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Вымышленная выборка имеет две метки и использует логистическую суррогатную потерю.

Источник: Формула из статьи