คุณลักษณะตัดแต่งที่ปรับมาตราส่วน
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
คุณลักษณะ · แปลงข้อมูลเข้าเป็นคุณลักษณะที่กฎนำไปใช้
โครงการปรับสเกลความยาวจะงอยปากและครีบด้วยค่าเฉลี่ยและสเกลของชุดฝึก เวกเตอร์มีสองค่า
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: 6.5 ตัดการเชื่อมต่อที่ไม่จำเป็น
คูณคุณลักษณะซ่อนเรลูด้วยผลรวมค่าสัมบูรณ์ของน้ำหนักผลลัพธ์
การปรับมาตราส่วนจัดคุณลักษณะให้อยู่ในรูปที่ใช้ในการให้เหตุผลเรื่องการประมาณเบาบาง
ตัวอย่างสูตรต้นฉบับ
แม่นตรง · การคำนวณคุณลักษณะไม่ได้พิสูจน์ขอบเขตความผิดพลาดจากการตัดแต่ง
สัญลักษณ์
- คุณลักษณะซ่อน i ที่ปรับมาตราส่วน
- เวกเตอร์น้ำหนักผลลัพธ์
- น้ำหนักและไบแอสขาเข้าของหน่วย i
- ฟังก์ชันกระตุ้นเรลู
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.x= 1
ค่าเริ่มต้นในโค้ด
outputWeights=[1, -2]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { norm, hidden, feature: norm * hidden }
norm=outputWeights.reduce((sum, w) => sum + Math.abs(w), 0)ใช้:outputWeightshidden=Math.max(0, 0.5 * input.x)ใช้:input.x
ส่งกลับ
norm- 3
hidden- 0.5
feature- 1.5
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ตัวอย่างมีข้อมูลป้อนเข้าหนึ่งมิติ น้ำหนักซ่อน 1/2 และไบแอสศูนย์
แหล่งอ้างอิง: นิพจน์ในต้นฉบับ