แบบจำลองที่เรียนรู้
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
กฎทำนายและชั้นของเครือข่าย · อธิบายหรือใช้กฎทำนาย ชั้น และพารามิเตอร์
โครงการใช้กฎเชิงเส้นกับสองคุณลักษณะ น้ำหนักที่ฝึกให้คะแนนหรือมวลที่ปรับสเกล
พิจารณาแนวคิดนี้ร่วมกับโครงการ สมมติฐานของต้นฉบับอาจต่างกัน ข้อมูลชุดนี้ไม่พิสูจน์ทฤษฎีบท
ข้อมูลเข้า: 12 × 2; ประเมินชุดทดสอบ: 102 · #58 · 40.6 มม., 193 มม.. คำตอบที่ทราบ: อาเดลี; ค่าทำนาย: อาเดลี · [≈0.7383, ≈0.2444, ≈0.01737].
ใช้ในส่วนต้นฉบับเหล่านี้: 1.2 เรียนรู้จากตัวอย่าง
อัลกอริทึมการเรียนรู้สามารถคืนเครือข่ายที่มีพารามิเตอร์ปรับแล้ว
ตัวอย่างนี้ทำให้คำนวณข้อความในต้นฉบับบนแบบจำลองจำกัดได้
ตัวอย่างสูตรต้นฉบับ
ภาพประกอบ · กฎปรับหนึ่งกฎนี้ไม่ได้บ่งชี้ว่าความเสี่ยงดีหรือเหมาะที่สุด
สัญลักษณ์
- แบบจำลองที่เรียนรู้จากตัวอย่างฝึก s
- อัลกอริทึมการเรียนรู้
- เครือข่ายสถาปัตยกรรม a
- พารามิเตอร์เครือข่ายที่ปรับแล้ว
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.x= 2
ค่าเริ่มต้นในโค้ด
sample=[1, 2, 3]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { sample, theta, prediction: theta * input.x }
theta=sample.reduce((a, b) => a + b, 0) / sample.lengthใช้:sample
ส่งกลับ
sample- อาร์เรย์ (3 รายการ): [1, 2, 3]
theta- 2
prediction- 4
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
กฎสมมติคืน θ เป็นค่าเฉลี่ยของสามเป้าหมายและ Φ(x,θ)=θx
แหล่งอ้างอิง: นิพจน์จากแหล่งต้นฉบับ