Современная математика глубокого обучения

Пороговый признак

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.

Признаки · Преобразуют входы в признаки для правила.

Из длины клюва и крыла вычитаем средние по обучающим примерам, затем делим на их стандартные отклонения. Получается вектор из двух чисел.

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: 4.2 Приближение случайными частями

Признак Γ — знаковая разность двух пороговых индикаторов, использующая нормированный ненулевой вектор ξ и скалярное смещение ξ̃.

Эти функции являются строительными элементами приближения случайными признаками.

Пример формулы источника

\Gamma(\xi,\tilde{\xi})

Иллюстрация · Здесь вычисляется один признак в одной точке; общий закон случайных признаков и теорема о приближении требуют дополнительных предположений.

Обозначения

$Γ$: Скалярнозначная функция признака.
$ξ$: Ненулевой действительный вектор.
$ξ̃$: Действительный порог.
$s$: Знак из {−1,1}.
$x$: Входной вектор.

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

xi = [1, 0]
offset = 0
sign = 1
x = [-1, 0]

Вычисляется здесь

Выражение результата: { xi, offset, sign, x, value: sign * ((-dot - offset > 0 ? 1 : 0) - (dot - offset > 0 ? 1 : 0)), }

norm = Math.sqrt(xi.reduce((s, v) => s + v * v, 0)) Использует: xi
dot = xi.reduce((s, v, i) => s + (v * x[i]) / norm, 0) Использует: xi, x, norm

Возвращает

Пример результата

xi: массив (2 элементов): [1, 0]
offset: 0
sign: 1
x: массив (2 элементов): [-1, 0]
value: 1

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены. Здесь вычисляется один признак в одной точке; общий закон случайных признаков и теорема о приближении требуют дополнительных предположений.

Источник: Обозначение в тексте