คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

กฎทำนายเชิงเส้น

โครงการเรียนรู้เพนกวิน

โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

การจำแนกทำนายสามชนิด ริดจ์ทำนายมวลเป็นกรัมจากข้อมูลเดียวกัน แต่เป็นคนละแบบจำลอง ค่าทำนายชุดฝึกส่งไปยังฟังก์ชันเป้าหมาย ค่าทำนายชุดทดสอบ 102 แถวแยกไว้และไม่ปรับน้ำหนัก

กฎทำนายและชั้นของเครือข่าย · อธิบายหรือใช้กฎทำนาย ชั้น และพารามิเตอร์

โครงการใช้กฎเชิงเส้นกับสองคุณลักษณะ น้ำหนักที่ฝึกให้คะแนนหรือมวลที่ปรับสเกล

งานแถวฝึกขั้นฝึกค่าปรับ αรหัสแถวทดสอบ

ค่าทำนาย

ข้อมูลเข้า: ชุดฝึก: 12 × 2
ผลลัพธ์: [ชนิด: อาเดลี · ความน่าจะเป็น: [≈0.9945, ≈0.005412, ≈0.00005477], ชนิด: อาเดลี · ความน่าจะเป็น: [≈0.6338, ≈0.3635, ≈0.002677], ชนิด: เจนทู · ความน่าจะเป็น: [≈0.1023, ≈0.03028, ≈0.8674]] … (12 รายการ)

การดำเนินการของโครงการ

การคำนวณโครงการใช้ข้อมูลชุดนี้ สูตรและตัวอย่างต้นฉบับอยู่ด้านล่าง การแก้โค้ดมีผลเฉพาะหน้านี้ ส่วนการตั้งค่าโครงการส่งต่อระหว่างหน้า

คุณลักษณะ → ค่าทำนาย → ความสูญเสีย

ข้อมูลเข้าโครงการ

แสดงสามรายการแรก การดำเนินการรับอาร์เรย์ทั้งหมด ค่าตัวอย่างปัดเศษแล้ว การดำเนินการใช้ค่าเต็ม

input.features · คุณลักษณะ: [[≈-1.946, ≈-1.283], [≈-0.6098, ≈-1.029], [≈-0.4454, ≈0.9162]] … (12 รายการ)
input.weights · แบบจำลอง: [≈-0.2895, ≈-2.052, ≈-1.016] … (9 รายการ)
input.task · การตั้งค่าโครงการหรือค่าคงที่: classification
input.targetMean · ข้อมูลสังเกต: null
input.targetScale · ข้อมูลสังเกต: null

JavaScript

ผลลัพธ์

[ชนิด: อาเดลี · ความน่าจะเป็น: [≈0.9945, ≈0.005412, ≈0.00005477], ชนิด: อาเดลี · ความน่าจะเป็น: [≈0.6338, ≈0.3635, ≈0.002677], ชนิด: เจนทู · ความน่าจะเป็น: [≈0.1023, ≈0.03028, ≈0.8674]] … (12 รายการ)

บทบาท: ทำนายผล / กฎทำนายและชั้นของเครือข่าย

ข้อมูลเข้าหรือสมมติฐาน: ข้อมูลเข้า พารามิเตอร์ และกฎ
ผลลัพธ์หรือข้อสรุป: ผลทำนาย ค่าของชั้น หรือคำอธิบายแบบจำลอง

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

มาจาก

ใช้โดย

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 2.3 เส้นทางการฝึกมีผล

จุดใน ⟨θ, ·⟩ เป็นตำแหน่งแทนเวกเตอร์ป้อนเข้า ฟังก์ชันคืนผลคูณจุดของ θ กับข้อมูลป้อนเข้านั้น

เวกเตอร์น้ำหนักคงที่กำหนดตัวทำนายเชิงเส้น

ตัวอย่างสูตรต้นฉบับ

\langle\theta,\cdot\rangle

ตัวอย่างประกอบ · ตัวอย่างนี้ใช้เวกเตอร์สองมิติ

สัญลักษณ์

$θ$: เวกเตอร์น้ำหนักจำนวนจริง
$·$: ตำแหน่งแทนเวกเตอร์ป้อนเข้าที่มีขนาดตรงกัน
$⟨θ,·⟩$: ฟังก์ชันเชิงเส้นที่ได้

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ลำดับข้อมูลในตัวอย่างนี้

ค่าเริ่มต้นในโค้ด

theta = [2, 1]
x = [3, 4]

คำนวณที่นี่

นิพจน์ผลลัพธ์: { theta, x, prediction: theta.reduce((s, t, i) => s + t * x[i], 0) }

ส่งกลับ

ผลลัพธ์ตัวอย่าง

theta: อาร์เรย์ (2 รายการ): [2, 1]
x: อาร์เรย์ (2 รายการ): [3, 4]
prediction: 10

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ค่าตัวเลขสร้างขึ้น ตัวอย่างนี้ใช้เวกเตอร์สองมิติ

แหล่งอ้างอิง: สัญกรณ์ในข้อความ