เคอร์เนลสัมผัสประสาท ณ พารามิเตอร์
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
เคอร์เนลและการทำให้เป็นเชิงเส้น · เชื่อมเกรเดียนต์พารามิเตอร์หรือคุณลักษณะกับเมทริกซ์เคอร์เนล
โครงการมีข้อมูลและพารามิเตอร์จำนวนจำกัด ชุดทดสอบไม่ยืนยันขอบเขตประชากรหรือพิสูจน์ทฤษฎีบท
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: 2.1 มองผ่านความคล้ายคลึง
เคอร์เนลสัมผัสประสาทคือผลคูณจุดของเกรเดียนต์พารามิเตอร์ที่ข้อมูลป้อนเข้าสองค่า ตัวห้อยบันทึกเวกเตอร์พารามิเตอร์ที่ใช้
มันเปรียบเทียบว่าผลลัพธ์โครงข่ายเปลี่ยนอย่างไรเมื่อพารามิเตอร์เปลี่ยน
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างนี้ใช้ Φ(x,θ)=θ₁x+θ₂ ซึ่งเคอร์เนลบังเอิญไม่ขึ้นกับ θ โครงข่ายทั่วไปอาจเปลี่ยนเคอร์เนลเมื่อพารามิเตอร์เปลี่ยน
สัญลักษณ์
- เคอร์เนลสัมผัสประสาท ณ θ
- พารามิเตอร์เริ่มต้น
- พารามิเตอร์ ณ เวลา t
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
x1=2x2=3
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
gradient1,
gradient2,
kernel: gradient1.reduce((s, v, i) => s + v * gradient2[i], 0),
}
gradient1=[x1, 1]ใช้:x1gradient2=[x2, 1]ใช้:x2
ส่งกลับ
gradient1- อาร์เรย์ (2 รายการ): [2, 1]
gradient2- อาร์เรย์ (2 รายการ): [3, 1]
kernel- 7
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น ตัวอย่างนี้ใช้ Φ(x,θ)=θ₁x+θ₂ ซึ่งเคอร์เนลบังเอิญไม่ขึ้นกับ θ โครงข่ายทั่วไปอาจเปลี่ยนเคอร์เนลเมื่อพารามิเตอร์เปลี่ยน
แหล่งอ้างอิง: สัญกรณ์ในข้อความ