เมเชอร์ความน่าจะเป็นของคุณลักษณะสุ่ม
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: 4.2 หาค่าใกล้เคียงด้วยการสุ่ม
ต้นฉบับนิยามเมเชอร์ความน่าจะเป็น μg ที่สัมพันธ์กับฟังก์ชัน g ในตัวอย่างจำกัด เมเชอร์ความน่าจะเป็นกำหนดน้ำหนักไม่เป็นลบที่มีผลรวมเท่ากับหนึ่ง
เมเชอร์กำหนดค่าคาดหมายในการสร้างคุณลักษณะ
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · น้ำหนักจำกัดเหล่านี้แสดงเมเชอร์ความน่าจะเป็น ไม่ได้มาจากการแปลงฟูเรียร์ที่ระบุของ g
สัญลักษณ์
- เมเชอร์ความน่าจะเป็นที่สัมพันธ์กับ g
- ฟังก์ชันที่กำลังประมาณ
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
weights=[0.25, 0.75]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { weights, total: weights.reduce((a, b) => a + b, 0) }
ส่งกลับ
weights- อาร์เรย์ (2 รายการ): [0.25, 0.75]
total- 1
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น น้ำหนักจำกัดเหล่านี้แสดงเมเชอร์ความน่าจะเป็น ไม่ได้มาจากการแปลงฟูเรียร์ที่ระบุของ g
แหล่งอ้างอิง: สัญกรณ์ในข้อความ