ความสูญเสียที่มีขอบเขต
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
ขอบเขตการทำงานกับข้อมูลใหม่ · เชื่อมพฤติกรรมบนตัวอย่างกับความเสี่ยงประชากรภายใต้สมมติฐาน
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: 1.2.3 ใช้ได้กับตัวอย่างใหม่หรือไม่
เงื่อนไข ℒ(f,Z) ∈ [0,1] หมายถึงความสูญเสียทุกค่าที่พิจารณาอยู่ระหว่างศูนย์และหนึ่ง รวมจุดปลาย
ความสูญเสียที่มีขอบเขตรองรับการวิเคราะห์ความน่าจะเป็นที่ระบุ
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · การตรวจสอบค่าจำนวนจำกัดไม่พิสูจน์ขอบเขตเอกรูปสำหรับผลลัพธ์ทั้งหมด
สัญลักษณ์
- ความสูญเสีย
- ฟังก์ชันทำนาย
- ตัวอย่างสุ่ม
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
losses=[0, 0.25, 1]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { losses, bounded: losses.every((v) => v >= 0 && v <= 1) }
ส่งกลับ
losses- อาร์เรย์ (3 รายการ): [0, 0.25, 1]
bounded- จริง
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น การตรวจสอบค่าจำนวนจำกัดไม่พิสูจน์ขอบเขตเอกรูปสำหรับผลลัพธ์ทั้งหมด
แหล่งอ้างอิง: สัญกรณ์ในข้อความ