คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

พารามิเตอร์เทียบกับตัวอย่าง

โครงการเรียนรู้เพนกวิน

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

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

ชั้นแบบจำลองและโครงสร้าง · อธิบายกลุ่มของกฎ ขนาด และสมบัติเชิงโครงสร้าง

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

P(N) ≫ m ระบุว่าจำนวนพารามิเตอร์มากกว่าจำนวนตัวอย่างฝึกมาก

ความสัมพันธ์นี้อธิบายระบอบพารามิเตอร์เกิน

ตัวอย่างสูตรต้นฉบับ

P(N)\gg m

ตัวอย่างประกอบ · อัตราส่วน 100 แสดงความสัมพันธ์ ไม่ได้กำหนดเกณฑ์ทางการหรือพิสูจน์การฝึกแบบขี้เกียจ

สัญลักษณ์

$P(N)$: จำนวนพารามิเตอร์
$m$: จำนวนตัวอย่าง
$≫$: มากกว่ามาก โดยไม่ได้ระบุเกณฑ์ตัวเลขสากล

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ลำดับข้อมูลในตัวอย่างนี้

ค่าเริ่มต้นในโค้ด

parameterCount = 1000
sampleSize = 10

คำนวณที่นี่

นิพจน์ผลลัพธ์: { parameterCount, sampleSize, ratio: parameterCount / sampleSize }

ส่งกลับ

ผลลัพธ์ตัวอย่าง

parameterCount: 1000
sampleSize: 10
ratio: 100

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ค่าตัวเลขสร้างขึ้น อัตราส่วน 100 แสดงความสัมพันธ์ ไม่ได้กำหนดเกณฑ์ทางการหรือพิสูจน์การฝึกแบบขี้เกียจ

แหล่งอ้างอิง: สัญกรณ์ในข้อความ