เมทริกซ์คุณลักษณะเชิงประจักษ์
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
เวกเตอร์และเมทริกซ์ · รวมตัวเลขด้วยการดำเนินการเวกเตอร์และเมทริกซ์
เวกเตอร์โครงการมีสองคุณลักษณะ เมทริกซ์ฝึกมี n แถวและสองคอลัมน์ ใช้เครื่องมือเมื่อสมมติฐานตรงกัน
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: 2.4 การลดลงครั้งที่สองของความผิดพลาด
เมทริกซ์ Σ เป็นผลรวมของผลคูณภายนอก X⁽ⁱ⁾(X⁽ⁱ⁾)ᵀ บนชุดตัวอย่างที่สังเกต
เมทริกซ์นี้รวมพิกัดข้อมูลป้อนเข้าฝึก
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · นี่คือผลรวมบนเวกเตอร์ที่สังเกตสี่ตัว ไม่ใช่ความแปรปรวนร่วมประชากรหรือค่าเฉลี่ยตัวอย่าง
สัญลักษณ์
- เวกเตอร์ข้อมูลป้อนเข้าฝึก
- ผลรวมผลคูณภายนอกของชุดตัวอย่าง
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
vectors=[ [1, 0], [-1, 0], [0, 1], [0, -1], ]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { vectors, sigma }
sigma=[0, 1].map((i) => [0, 1].map((j) => vectors.reduce((s, x) => s + x[i] * x[j], 0)), )ใช้:vectors
ส่งกลับ
vectors- อาร์เรย์ (4 รายการ): [อาร์เรย์ (2 รายการ): [1, 0], อาร์เรย์ (2 รายการ): [-1, 0], อาร์เรย์ (2 รายการ): [0, 1], อาร์เรย์ (2 รายการ): [0, -1]]
sigma- อาร์เรย์ (2 รายการ): [อาร์เรย์ (2 รายการ): [2, 0], อาร์เรย์ (2 รายการ): [0, 2]]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น นี่คือผลรวมบนเวกเตอร์ที่สังเกตสี่ตัว ไม่ใช่ความแปรปรวนร่วมประชากรหรือค่าเฉลี่ยตัวอย่าง
แหล่งอ้างอิง: สัญกรณ์ในข้อความ