Публикации по теме 'cost-function'
Основы машинного обучения
Фото Charles Deluvio на Unsplash
1. Функция затрат. (Понимание и расчет функции затрат.)
В машинном обучении линейная регрессия - один из наиболее часто используемых алгоритмов. Функция затрат и Градиентный спуск образуют модель линейной регрессии.
Что такое функция затрат?
Функции затрат используются для оценки того, насколько плохо работают модели, то есть для измерения производительности модели машинного обучения для заданных данных.
Это достигается путем..
Машинное обучение: интуиция линейной регрессии и градиентного спуска
Нет ничего проще, чем линейная регрессия только с одной переменной. Но простейшая модель может быть очень полезна для понимания того, что происходит в процессе обучения модели. Эта записная книжка была сделана, когда я проходил курс Эндрю Нг по машинному обучению: репозиторий github .
Данные Данные состоят из двух столбцов. Первый столбец — это население города (в 10 000), а второй столбец — прибыль фудтрака в этом городе (в 10 000 долларов). Отрицательное значение прибыли..
ОСНОВЫ МАШИННОГО ОБУЧЕНИЯ
МОДАЛЬНОЕ ПРЕДСТАВЛЕНИЕ
Набор для обучения — набор данных в контролируемом обучении
Рейтинг студентов (x): 1 2 3
Оценки(из 100) (у) : 98 97 93
Пример: Учебный набор оценок учащегося на основе ранга
Здесь-:
Количество обучающих примеров ( m ) = 3
Входные переменные/функции = x
Выходные переменные/функции = y
например: x(3) = 3 & y(3) = 93
[x(i),y(i) относится к i-му тренировочному значению x и y соответственно]
ФУНКЦИЯ СТОИМОСТИ
Как мы выбираем параметры?..
Логистическая регрессия в деталях
Логистическая регрессия — это алгоритм классификации. Он используется для прогнозирования бинарного результата (1/0, Да/Нет, Истина/Ложь) с учетом набора независимых переменных. Для представления бинарного/категориального результата мы используем фиктивные переменные. Вы также можете думать о логистической регрессии как о частном случае линейной регрессии, когда переменная результата является категориальной, где мы используем логарифм шансов в качестве зависимой переменной. Логистическая..
Градиентный спуск
В машинном обучении можно использовать различные методы оптимизации , чтобы уменьшить ошибку и, таким образом, повысить уровень точности . В этой статье мы обсудим оптимизацию моделей машинного обучения с помощью метода градиентного спуска , и чтобы понять это, мы должны сначала взглянуть на концепцию функции стоимости .
Функция стоимости
Функция стоимости , хотя и имеет разные варианты, в основном содержит 2 переменные ( y_real, y_predicted ); Это позволяет нам измерить ошибку..
Логистическая регрессия (математика и интуиция, лежащие в основе логистической регрессии)
Узнайте все о логистической регрессии .
Содержание:
∘ Введение: ∘ Линейная регрессия ∘ Логистическая регрессия ∘ Функция затрат: ∘ Алгоритм градиентного спуска: ∘ Реализация: ∘ Резюме:
Введение:
Логистическая регрессия - это алгоритм обучения с учителем, используемый для двоичной классификации . например (Верно или неверно, да или нет, 1 или 0). Его также можно использовать для мультиклассовой классификации . но для многоклассовой классификации..
Градиентный спуск
Градиентный спуск — очень общий алгоритм, способный находить оптимальные решения для широкого круга задач. Общая идея градиентного спуска заключается в итеративной настройке параметров для минимизации функции стоимости.
Предположим, вы заблудились в горах в густом тумане; вы можете найти склон только под своей ногой. Хорошая стратегия состоит в том, чтобы идти по дну долины, спускаясь по склону в направлении самого крутого склона. Именно это и делает градиентный спуск: он измеряет..
