สัญญาณรบกวนในตัวอย่างพหุนาม
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: 1.3 คำถามที่จะศึกษาต่อ
ต้นฉบับระบุตัวแปรสัญญาณรบกวน ν ที่มีการแจกแจงปกติ ค่าเฉลี่ย 0 และความแปรปรวน 0.01
การแจกแจงสัญญาณรบกวนเป็นส่วนหนึ่งของแบบจำลองข้อมูลในตัวอย่าง
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างคำนวณพารามิเตอร์การแจกแจง ไม่ได้สุ่มสัญญาณรบกวนหรือทำซ้ำภาพ
สัญลักษณ์
- ตัวแปรสัญญาณรบกวนที่มีการแจกแจงปกติ
- กฎการแจกแจงปกติที่มีค่าเฉลี่ย 0 และความแปรปรวน 0.01
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
mean=0variance=0.01
คำนวณที่นี่
นิพจน์ผลลัพธ์: { mean, variance, standardDeviation: Math.sqrt(variance) }
ส่งกลับ
mean- 0
variance- 0.01
standardDeviation- 0.1
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น เว้นแต่ระบุเป็นค่าจากต้นฉบับ ตัวอย่างคำนวณพารามิเตอร์การแจกแจง ไม่ได้สุ่มสัญญาณรบกวนหรือทำซ้ำภาพ
แหล่งอ้างอิง: สัญกรณ์ในข้อความ