Современная математика глубокого обучения

Класс функций потерь

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.

Обобщение и границы риска · Связывают поведение на выборке с риском на распределении при заданных предположениях.

Проект содержит конечные наблюдения и обученные параметры. Проверочная выборка не устанавливает границы для генеральной совокупности и не доказывает теорему.

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: 1.2.3 Работает ли это на новых примерах?

𝒢 содержит функции z ↦ ℒ(f,z), полученные применением потери к каждой модели f в классе гипотез.

Этот класс позволяет равномерно сравнивать потери разных моделей.

Пример формулы источника

{\mathcal{G}}

Иллюстрация · Этот конечный класс использует два постоянных предсказателя и две цели; он не устанавливает оценку обобщения.

Обозначения

$𝒢$: Класс функций потерь, индуцированный классом моделей.
$f$: Функция предсказания.
$Z⁽ⁱ⁾$: Случайный пример данных.
$ℒ$: Функция потерь.

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.

Поток данных в этом примере

Начальные значения в коде

targets = [0, 1]
predictions = [0, 1]

Вычисляется здесь

Выражение результата: { targets, predictions, losses }

losses = predictions.map((f) => targets.map((y) => (f - y) ** 2)) Использует: predictions, targets

Возвращает

Пример результата

targets: массив (2 элементов): [0, 1]
predictions: массив (2 элементов): [0, 1]
losses: массив (2 элементов): [массив (2 элементов): [0, 1], массив (2 элементов): [1, 0]]

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены. Этот конечный класс использует два постоянных предсказателя и две цели; он не устанавливает оценку обобщения.

Источник: Обозначение в тексте