Потери двоичной классификации
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.
Потери для примера · Определяют значение потери для наблюдаемого примера.
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 · 1.2.3 Работает ли это на новых примерах? · 2.3 Путь обучения имеет значение
Потеря классификации 0–1 равна 1 при ошибочной классификации и 0 в остальных случаях.
Эти два значения различают правильные и ошибочные результаты.
Пример формулы источника
Иллюстрация · Пример использует ненулевые предсказания ±1; индикатор источника не считает нулевой знаковый отступ отрицательным.
Обозначения
- Нет ошибки классификации.
- Ошибка классификации.
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
Код изменён. Сбросьте его, чтобы вернуть схему примера.
Начальные значения в коде
labels=[1, -1]predictions=[1, 1]
Вычисляется здесь
Выражение результата: { labels, predictions, losses }
losses=labels.map((y, i) => (y * predictions[i] < 0 ? 1 : 0))Использует:labels,predictions
Возвращает
labels- массив (2 элементов): [1, -1]
predictions- массив (2 элементов): [1, 1]
losses- массив (2 элементов): [0, 1]
Прочитайте числа из input и верните результат. Основы JavaScript.
Результат
Техническая формулировка
Числовые значения вымышлены. Пример использует ненулевые предсказания ±1; индикатор источника не считает нулевой знаковый отступ отрицательным.
Источник: Обозначение в тексте