ความสูญเสียทดแทนเฉลี่ย
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
ฟังก์ชันเป้าหมาย · รวมความสูญเสียและค่าปรับเป็นเกณฑ์สำหรับพารามิเตอร์หรือกฎ
ค่าทำนายและคำตอบให้ความสูญเสีย การจำแนกใช้ครอสเอนโทรปีและ α/2 คูณผลรวมน้ำหนักที่ไม่ใช่ไบแอสยกกำลังสอง ริดจ์ใช้ MSE ของมวลที่ปรับสเกลและ α คูณสัมประสิทธิ์ทุกตัวรวมไบแอสยกกำลังสอง
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
คำนวณความสูญเสียทดแทนบนตัวอย่างฝึกแต่ละตัวแล้วหาค่าเฉลี่ย
ความสูญเสียทดแทนสามารถใช้แทนความผิดพลาดการจำแนกที่ไม่ต่อเนื่องระหว่างการหาค่าเหมาะที่สุด
ตัวอย่างสูตรต้นฉบับ
ตรงตามนิยาม · ค่าเฉลี่ยตัวอย่างจำกัดนี้ไม่ใช่ความเสี่ยงประชากร
สัญลักษณ์
- ความสูญเสียทดแทนบนตัวอย่างหนึ่ง
- ฟังก์ชันทำนาย
- ตัวอย่างฝึก i
- จำนวนตัวอย่าง
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.score= 0
ค่าเริ่มต้นในโค้ด
labels=[1, -1]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { losses, mean: losses.reduce((a, b) => a + b, 0) / losses.length }
scores=[input.score, 0]ใช้:input.scorelosses=scores.map((v, i) => Math.log(1 + Math.exp(-labels[i] * v)))ใช้:scores,labels
ส่งกลับ
losses- อาร์เรย์ (2 รายการ): [≈0.6931, ≈0.6931]
mean- ≈0.6931
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ตัวอย่างสมมติมีสองป้ายและใช้ความสูญเสียทดแทนโลจิสติก
แหล่งอ้างอิง: นิพจน์จากแหล่งต้นฉบับ