คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ป้ายทวิภาคที่เหมาะที่สุด

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].

บทบาท: ทำนายผล / กฎทำนายและชั้นของเครือข่าย

ข้อมูลเข้าหรือสมมติฐาน: ข้อมูลเข้า พารามิเตอร์ และกฎ
ผลลัพธ์หรือข้อสรุป: ผลทำนาย ค่าของชั้น หรือคำอธิบายแบบจำลอง

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

มาจาก

ใช้โดย

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 1.2 เรียนรู้จากตัวอย่าง

สำหรับป้าย −1 และ +1 ให้คำนวณค่าเฉลี่ยมีเงื่อนไขของ Y ที่ x ก่อน แล้วใช้กฎเครื่องหมายของต้นฉบับซึ่งคืน +1 ที่ศูนย์

ในตัวอย่าง ความน่าจะเป็นมีเงื่อนไขของ +1 คือ p และของ −1 คือ 1−p

กฎนี้เลือกป้ายที่มีความเสี่ยงการจำแนกมีเงื่อนไขต่ำที่สุด

ตัวอย่างสูตรต้นฉบับ

f^{*}(x)={\operatorname{sgn}}({\mathbbm{E}}[Y|X=x])

ตรงตามนิยาม · ตัวอย่างสมมติว่าทราบความน่าจะเป็นมีเงื่อนไข โดยทั่วไปตัวอย่างฝึกจำกัดไม่ได้ให้ค่าเฉลี่ยมีเงื่อนไขแน่นอน

สัญลักษณ์

$Y$: ป้ายใน {−1,1}
$X$: ข้อมูลเข้า ความน่าจะเป็นมีเงื่อนไขอ้างถึง x ที่เลือก

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ความน่าจะเป็นของ +1

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.p = 0.75

คำนวณที่นี่

นิพจน์ผลลัพธ์: { conditionalMean, prediction, conditionalRisk }

p = input.p ใช้: input.p
conditionalMean = p - (1 - p) ใช้: p
prediction = conditionalMean >= 0 ? 1 : -1 ใช้: conditionalMean
conditionalRisk = prediction === 1 ? 1 - p : p ใช้: prediction, p

ส่งกลับ

ผลลัพธ์ตัวอย่าง

conditionalMean: 0.5
prediction: 1
conditionalRisk: 0.25

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ภายใต้การจำแนกทวิภาคแบบศูนย์หนึ่ง ทั้งสองป้ายเหมาะที่สุดเมื่อค่าเฉลี่ยมีเงื่อนไขเป็นศูนย์ กฎต้นฉบับเลือก +1 ที่ขอบเขตนั้น ค่าคาดหมายมีเงื่อนไขที่ x เฉพาะต้องใช้เวอร์ชันที่เหมาะสมเมื่อการแจกแจงข้อมูลเข้าต่อเนื่อง

แหล่งอ้างอิง: ตัวจำแนกเบย์