ค่าคาดหมายและความแปรปรวน
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
ความน่าจะเป็นและความคาดหมาย · อธิบายตัวแปรสุ่มและค่าเฉลี่ยตามกฎความน่าจะเป็น
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: 1.1 รู้จักสัญลักษณ์ · 1.2 เรียนรู้จากตัวอย่าง
ค่าคาดหมายคือค่าเฉลี่ยถ่วงน้ำหนักด้วยความน่าจะเป็น ความแปรปรวนคือค่าคาดหมายของระยะห่างจากค่าเฉลี่ยนั้นที่ยกกำลังสอง
ปริมาณเหล่านี้อธิบายจุดศูนย์กลางและการกระจายของการแจกแจง
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างจำกัดที่สร้างขึ้นนี้แสดงสัญกรณ์ แต่ไม่ได้พิสูจน์ทฤษฎีบททั่วไป
สัญลักษณ์
- ตัวแปรสุ่มจำนวนจริงที่มีโมเมนต์อันดับสองจำกัด
- ค่าคาดหมายของตัวแปร
- ความแปรปรวนของตัวแปร
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
values=[0, 2]probabilities=[0.25, 0.75]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { mean, variance }
mean=values.reduce((s, x, i) => s + x * probabilities[i], 0)ใช้:values,probabilitiesvariance=values.reduce((s, x, i) => s + (x - mean) ** 2 * probabilities[i], 0)ใช้:values,mean,probabilities
ส่งกลับ
mean- 1.5
variance- 0.75
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขในตัวอย่างนี้สร้างขึ้น ตัวอย่างจำกัดที่สร้างขึ้นนี้แสดงสัญกรณ์ แต่ไม่ได้พิสูจน์ทฤษฎีบททั่วไป
แหล่งอ้างอิง: สัญกรณ์ในข้อความ