เมเชอร์จำกัดและ L2
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: 1.2 เรียนรู้จากตัวอย่าง
เมเชอร์ μ กำหนดขนาดให้เซตที่วัดได้ นอร์ม L²(μ) ยกกำลังสองค่าฟังก์ชัน หาปริพันธ์เทียบกับ μ แล้วหารากที่สอง
เมเชอร์กำหนดว่าค่าแต่ละค่ามีส่วนในนอร์มอย่างไร
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · เมเชอร์จำกัดเป็น σ-จำกัด เมเชอร์ทั่วไปอาจต้องอินทิเกรตบนค่าอนันต์จำนวน
สัญลักษณ์
- เมเชอร์อ้างอิง σ-จำกัดในตัวอย่างความหนาแน่น
- โดเมนเป็นยูเนียนนับได้ของเซตที่มีเมเชอร์จำกัด
- ฟังก์ชันที่อินทิเกรตกำลังสองได้ภายใต้ μ
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
values=[1, 3]weights=[0.5, 0.5]
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
values,
weights,
norm: Math.sqrt(values.reduce((s, v, i) => s + weights[i] * v * v, 0)),
}
ส่งกลับ
values- อาร์เรย์ (2 รายการ): [1, 3]
weights- อาร์เรย์ (2 รายการ): [0.5, 0.5]
norm- ≈2.236
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น เมเชอร์จำกัดเป็น σ-จำกัด เมเชอร์ทั่วไปอาจต้องอินทิเกรตบนค่าอนันต์จำนวน
แหล่งอ้างอิง: สัญกรณ์ในข้อความ