ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของชุด
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
การปรับมาตรฐานชุดข้อมูล · อธิบายการปรับมาตรฐานชุดข้อมูลและอนุพันธ์
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].
ใช้ในส่วนต้นฉบับเหล่านี้: 6.4 ปรับตัวเลขให้เทียบกันได้
μ และ σ เป็นค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของข้อมูลป้อนเข้าสุ่มในการอภิปรายการทำให้เป็นบรรทัดฐานแบบกลุ่ม
ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานอธิบายศูนย์กลางและการกระจายของกฎข้อมูลป้อนเข้า
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างคำนวณโมเมนต์แม่นตรงภายใต้กฎจำกัด ไม่ได้ประมาณจากชุดสุ่ม
สัญลักษณ์
- ค่าเฉลี่ยข้อมูลป้อนเข้า
- ส่วนเบี่ยงเบนมาตรฐานข้อมูลป้อนเข้า
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
values=[0, 2]probabilities=[0.5, 0.5]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { values, mu, sigma }
mu=values.reduce((s, v, i) => s + v * probabilities[i], 0)ใช้:values,probabilitiessigma=Math.sqrt( values.reduce((s, v, i) => s + (v - mu) ** 2 * probabilities[i], 0), )ใช้:values,mu,probabilities
ส่งกลับ
values- อาร์เรย์ (2 รายการ): [0, 2]
mu- 1
sigma- 1
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น ตัวอย่างคำนวณโมเมนต์แม่นตรงภายใต้กฎจำกัด ไม่ได้ประมาณจากชุดสุ่ม
แหล่งอ้างอิง: สัญกรณ์ในข้อความ