Современная математика глубокого обучения

Предсказание и метка в логистической потере

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

Целевая метка y и функция f дают величины, сравниваемые логистической потерей.

Метки и предсказания модели играют разные роли в функции потерь.

Пример формулы источника

y

Иллюстрация · Пример вычисляет логистический выход для одной оценки; полная перекрёстная энтропия не вычисляется.

Обозначения

$y$: Метка.
$f$: Модель, выдающая действительную оценку.
$ϱσ$: Логистическая активация.

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

y = 1
score = 2

Вычисляется здесь

Выражение результата: { y, score, probability }

probability = 1 / (1 + Math.exp(-score)) Использует: score

Возвращает

Пример результата

y: 1
score: 2
probability: ≈0,8808

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены. Пример вычисляет логистический выход для одной оценки; полная перекрёстная энтропия не вычисляется.

Источник: Обозначение в тексте