คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ความเสี่ยงประชากรหลังการฝึก

โครงการเรียนรู้เพนกวิน

โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

ความเสี่ยงและการประเมิน · แยกความสูญเสียบนตัวอย่างออกจากความสูญเสียคาดหมาย

ประเมินกฎที่ฝึกแล้วด้วยข้อมูลทดสอบ 102 แถวที่ไม่ใช้ฝึก

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: ตรวจสอบตัวอย่างใหม่ / ความเสี่ยงและการประเมิน

ข้อมูลเข้าหรือสมมติฐาน: ผลทำนายหรือกฎ และตัวอย่างประเมินหรือความน่าจะเป็น
ผลลัพธ์หรือข้อสรุป: ความเสี่ยง ความสูญเสียบนตัวอย่าง หรือระยะขอบการจำแนก

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

มาจาก

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 1.2 เรียนรู้จากตัวอย่าง

กฎที่ฝึกแล้วขึ้นอยู่กับตัวอย่าง S เพื่อประเมินความเสี่ยงประชากร ให้ตรึง S แล้วหาค่าเฉลี่ยความสูญเสียเหนือตัวอย่างใหม่ Z

ตัวอย่างทำนายป้ายในตัวอย่างฝึกหนึ่งตัว ป้ายใหม่เป็น +1 ด้วยความน่าจะเป็น p และเป็น −1 ในกรณีอื่น

การกำหนดเงื่อนไขทำให้ชัดว่าความสุ่มใดมาจากการฝึกและใดมาจากข้อมูลใหม่

ตัวอย่างสูตรต้นฉบับ

{\mathcal{R}}(f_{S})={\mathbbm{E}}\big[{\mathcal{L}}(f_{S},Z)|{S}\big]

ตรงตามนิยาม · ตัวอย่างนี้ทราบความน่าจะเป็น โดยทั่วไปค่าคาดหมายมีเงื่อนไขไม่เท่ากับค่าเฉลี่ยชุดทดสอบจำกัด

สัญลักษณ์

$S$: ตัวอย่างฝึกสุ่มที่ตรึงไว้ในค่าคาดหมายมีเงื่อนไข
$f_S$: กฎที่เรียนรู้จาก S
$Z$: ตัวอย่างใหม่จากประชากร

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ความน่าจะเป็นของ +1ป้ายฝึก

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.p = 0.25
input.trainingLabel = 1

คำนวณที่นี่

นิพจน์ผลลัพธ์: { trainedLabel, probabilities: [1 - p, p], populationRisk: risk }

p = input.p ใช้: input.p
trainedLabel = input.trainingLabel ใช้: input.trainingLabel
risk = trainedLabel === 1 ? 1 - p : p ใช้: trainedLabel, p

ส่งกลับ

ผลลัพธ์ตัวอย่าง

trainedLabel: 1
probabilities: อาร์เรย์ (2 รายการ): [0.75, 0.25]
populationRisk: 0.75

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

เปลี่ยนข้อมูลเข้าแล้วเรียกใช้โค้ดเดิมอีกครั้ง ผลลัพธ์ที่แสดงใช้ค่าข้างต้น

แหล่งอ้างอิง: ความเสี่ยงมีเงื่อนไข