กฎที่เรียนรู้จากข้อมูลสุ่ม
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
การเรียนรู้และการปรับพารามิเตอร์ · เลือกกฎหรือปรับพารามิเตอร์ด้วยกฎการเรียนรู้
ฟังก์ชันเป้าหมายให้เกรเดียนต์เพื่อปรับพารามิเตอร์
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
S เป็นชุดตัวอย่างฝึกสุ่ม การใช้ขั้นตอนวิธีการเรียนรู้กับชุดนี้ให้กฎที่เรียนรู้แบบสุ่ม fS
ชุดตัวอย่างที่ต่างกันอาจให้กฎที่ฝึกแล้วต่างกัน
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างแสดงชุดตัวอย่างที่เกิดขึ้นหนึ่งชุดและตัวทำนายคงที่ ไม่ได้สุ่มจากการแจกแจงหรือพิสูจน์ข้ออ้างเรื่องการใช้กับข้อมูลใหม่
สัญลักษณ์
- ชุดตัวอย่างฝึกสุ่ม
- ขั้นตอนวิธีการเรียนรู้
- กฎที่ 𝒜(S) ส่งคืน
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
sample=[1, 3]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { sample, constantPrediction }
constantPrediction=A(sample)ใช้:A,sample
ส่งกลับ
sample- อาร์เรย์ (2 รายการ): [1, 3]
constantPrediction- 2
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น ตัวอย่างแสดงชุดตัวอย่างที่เกิดขึ้นหนึ่งชุดและตัวทำนายคงที่ ไม่ได้สุ่มจากการแจกแจงหรือพิสูจน์ข้ออ้างเรื่องการใช้กับข้อมูลใหม่
แหล่งอ้างอิง: สัญกรณ์ในข้อความ