คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึกอธิบายสำหรับผู้ที่ไม่ใช่นักคณิตศาสตร์

มาร์จินฝึกต่ำสุด

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].

ใช้ในส่วนต้นฉบับเหล่านี้: 2.3 เส้นทางการฝึกมีผล

คูณค่าทำนายเชิงเส้นแต่ละค่าด้วยป้าย แล้วเลือกผลต่ำสุด สำหรับป้ายทวิภาค ±1 มาร์จินบวกหมายถึงจำแนกทุกตัวอย่างที่แสดงถูกต้อง

มาร์จินต่ำสุดบันทึกตัวอย่างฝึกที่มั่นใจน้อยที่สุด

ตัวอย่างสูตรต้นฉบับ

γ(θ)=min⁡i∈[m]y(i)⟨θ,x(i)⟩\gamma(\theta)=\min_{i\in[m]}y^{(i)}\langle\theta,x^{(i)}\rangle

ตรงตามนิยาม · ผลลัพธ์ตรงตามการคำนวณสำหรับข้อมูลเข้าสมมติจำนวนจำกัดนี้ ยกเว้นการปัดเศษตามปกติของคอมพิวเตอร์

สัญลักษณ์

y(i)y^{(i)}
ป้ายทวิภาค เป็น −1 หรือ +1 ในตัวอย่างนี้
θθ
น้ำหนักแบบจำลองเชิงเส้นจำนวนจริง

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

  • input.weight = 2

ค่าเริ่มต้นในโค้ด

  • xs = [1, -2]
  • labels = [1, -1]

คำนวณที่นี่

นิพจน์ผลลัพธ์: { margins, minimum: Math.min(...margins) }

  • margins = xs.map((x, i) => labels[i] * input.weight * x) ใช้: xs, labels, input.weight

ส่งกลับ

ผลลัพธ์ตัวอย่าง
margins
อาร์เรย์ (2 รายการ): [2, 4]
minimum
2

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

คำนวณค่าต่ำสุดเหนือชุดฝึกจำกัดที่แสดง มาร์จินฝึกบวกไม่รับประกันประสิทธิภาพบนข้อมูลใหม่

แหล่งอ้างอิง: มาร์จิน