การแจกแจงก่อนหน้าบนเซตสมมติฐาน
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: 1.2.3 ใช้ได้กับตัวอย่างใหม่หรือไม่
p เป็นการแจกแจงความน่าจะเป็นบนเซตสมมติฐาน สำหรับเซตจำกัด น้ำหนักไม่เป็นลบและรวมกันเท่ากับหนึ่ง
การแจกแจงก่อนหน้ากำหนดน้ำหนักก่อนสังเกตชุดตัวอย่างฝึก
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างเป็นคลาสจำกัด คลาสโครงข่ายที่ไม่จำกัดอาจเป็นอนันต์และไม่มีจำนวนสมาชิกจำกัด
สัญลักษณ์
- การแจกแจงความน่าจะเป็นบนคลาสสมมติฐาน
- คลาสสมมติฐานโครงข่าย
- จำนวนสมาชิกเมื่อเป็นเซตจำกัด
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
hypotheses=["ศูนย์", "เอกลักษณ์"]probabilities=[0.25, 0.75]
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
hypotheses,
probabilities,
total: probabilities.reduce((a, b) => a + b, 0),
cardinality: hypotheses.length,
}
ส่งกลับ
hypotheses- อาร์เรย์ (2 รายการ): [ศูนย์, เอกลักษณ์]
probabilities- อาร์เรย์ (2 รายการ): [0.25, 0.75]
total- 1
cardinality- 2
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น เว้นแต่ระบุค่าจากต้นฉบับ ตัวอย่างเป็นคลาสจำกัด คลาสโครงข่ายที่ไม่จำกัดอาจเป็นอนันต์และไม่มีจำนวนสมาชิกจำกัด
แหล่งอ้างอิง: สัญกรณ์ในข้อความ