ตัวแปรสุ่มและกฎการแจกแจง
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
ตัวแปรสุ่มกำหนดค่าให้แต่ละผลลัพธ์ กฎการแจกแจงบอกความน่าจะเป็นที่ค่าของตัวแปรอยู่ในเซต A
การแจกแจงอธิบายค่าที่เป็นไปได้และความน่าจะเป็นของค่าเหล่านั้น
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างจำกัดที่สร้างขึ้นนี้แสดงสัญกรณ์ แต่ไม่ได้พิสูจน์ทฤษฎีบททั่วไป
สัญลักษณ์
- ตัวแปรสุ่มที่มีค่าใน 𝒳
- เซตย่อยที่วัดได้ของ 𝒳
- กฎความน่าจะเป็นของ X
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
values=[0, 1, 2]probabilities=[0.25, 0.5, 0.25]A=[1, 2]
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
values,
probabilities,
A,
probability: probabilities.reduce(
(s, p, i) => s + (A.includes(values[i]) ? p : 0),
0,
),
}
ส่งกลับ
values- อาร์เรย์ (3 รายการ): [0, 1, 2]
probabilities- อาร์เรย์ (3 รายการ): [0.25, 0.5, 0.25]
A- อาร์เรย์ (2 รายการ): [1, 2]
probability- 0.75
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขในตัวอย่างนี้สร้างขึ้น ตัวอย่างจำกัดที่สร้างขึ้นนี้แสดงสัญกรณ์ แต่ไม่ได้พิสูจน์ทฤษฎีบททั่วไป
แหล่งอ้างอิง: สัญกรณ์ในข้อความ