การลดความเสี่ยงเชิงประจักษ์
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
การเรียนรู้และการปรับพารามิเตอร์ · เลือกกฎหรือปรับพารามิเตอร์ด้วยกฎการเรียนรู้
ฟังก์ชันเป้าหมายให้เกรเดียนต์เพื่อปรับพารามิเตอร์
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
เลือกตัวเลือกที่มีความเสี่ยงตัวอย่างต่ำที่สุด หากหลายตัวเลือกเท่ากัน เลือกตัวลดต่ำสุดใดก็ได้
การฝึกอธิบายได้ว่าเป็นการเลือกกฎที่มีความสูญเสียตัวอย่างต่ำ
ตัวอย่างสูตรต้นฉบับ
ภาพประกอบ · ค้นหาเพียงความเสี่ยงของตัวเลือกสามตัวที่กำหนด กลุ่มฟังก์ชันทั่วไปอาจเป็นอนันต์และอาจไม่มีค่าต่ำสุด
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.firstRisk= 1
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
risks,
minimum,
minimizingIndices: risks.flatMap((risk, i) => (risk === minimum ? [i] : [])),
}
risks=[input.firstRisk, 2, 3]ใช้:input.firstRiskminimum=Math.min(...risks)ใช้:risks
ส่งกลับ
risks- อาร์เรย์ (3 รายการ): [1, 2, 3]
minimum- 1
minimizingIndices- อาร์เรย์ (1 รายการ): [0]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
เปลี่ยนข้อมูลเข้าแล้วเรียกใช้โค้ดเดิมอีกครั้ง ผลลัพธ์ที่แสดงใช้ค่าข้างต้น
แหล่งอ้างอิง: นิพจน์จากแหล่งต้นฉบับ