2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
| Sarakkeen attribuutti xj | Attribuuttien lukumäärä n | x ⃗ vec{x}x(i)rivivektori | tietty arvo x ⃗ ji vec{x}_j^ixjiYlös ja alas |
|---|---|---|---|
| tarkoittaa μ | standardointi | Keskihajonta σ | sigma (σ) |
w ⃗ vec{w}w = [w1 w2 w3 …]
x ⃗ vec{x}x = [x1 x2 x3 …]
fw ⃗ , b ( x ⃗ ) = w ⃗ ∗ x ⃗ + b = w 1 x 1 + w 2 x 2 + … + wnxn + b f_{vec{w},b} (vec{x}) = vec{ w} * vec{x} + b = w_1x_1 + w_2x_2 + … + w _nx_n + bfw,b(x)=w∗x+b=w1x1+w2x2+…+wnxn+b
import numpy
f = np.dot(w, x) + b
Huomautus: Se on erittäin nopea, kun n on suuri (rinnakkaiskäsittely)
wn = wn − α 1 m ∑ i = 1 mfw ⃗ , b ( x ⃗ ( i ) − y ( i ) ) xn ( i ) w_n = w_n - αdfrac{1}{m} sumlimits_{i=1}^mf_ {vec{w},b}(vec{x}^{(i)}-y^{(i)})x_n^{(i)}wn=wn−αm1i=1∑mfw,b(x(i)−y(i))xn(i)
b = b − α 1 m ∑ i = 1 m ( fw ⃗ , b ( x ⃗ ( i ) − y ( i ) ) b = b - α{dfrac{1}{m}}sumlimits_{i=1}^ m(f_{vec{w},b}(vec{x}^{(i)}-y^{(i)})b=b−αm1i=1∑m(fw,b(x(i)−y(i))
Suuremmalla alueella riippumattomia muuttujia vastaavat painot ovat yleensä pienempiä, ja pienemmällä alueella riippumattomia muuttujia vastaavat painot ovat yleensä suurempia.
Jakamalla alueen maksimiarvolla saat selville riippumattoman muuttujan painon vs. [0, 1]
Abskissa: x 1 = x 1 − μ 1 2000 − 300 x_1 = dfrac{x_1-μ_1}{2000-300}x1=2000−300x1−μ1 Y-akseli: x 2 = x 2 − μ 2 5 − 0 x_2 = dfrac{x_2 - μ_2}{5-0}x2=5−0x2−μ2
− 0,18 ≤ x 1 ≤ 0,82 -0,18 le x_1le0,82−0.18≤x1≤0.82 − 0,46 ≤ x 2 ≤ 0,54 -0,46 le x_2le0,54−0.46≤x2≤0.54
300 ≤ x 1 ≤ 2000 300le x_1le2000300≤x1≤2000 0 ≤ x 2 ≤ 5 0le x_2le50≤x2≤5
x 1 = x 1 − μ 1 σ 1 x1 = dfrac{x_1-μ_1}{σ_1}x1=σ1x1−μ1 − 0,67 ≤ x 1 ≤ 3,1 -0,67 le x_1 le3,1−0.67≤x1≤3.1
Pyri pitämään kaikkien ominaisuuksien arvot samalla alueella skaalauksen avulla, jotta niiden muutosten vaikutus ennustettuihin arvoihin on lähellä (-3,3)
Jos kustannusfunktio J kasvaa suureksi, se tarkoittaa, että askelkoko (oppimisnopeus) on sopimaton tai koodi on väärä.
Huomautus: Iteraatioiden määrä vaihtelee koneittain
Käyrien piirtämisen lisäksi iteraatiopisteen määrittämiseksi voidaan käyttää myös automaattista konvergenssitestausta
Olkoon ε yhtä suuri
1
0
−
3
10^{-3}
10−3, jos J:n lasku on pienempi kuin tämä pieni luku, sen katsotaan konvergoivan.
Rakenna ominaisuussuunnittelua muunnoksen tai yhdistelmän avulla tarjotaksesi enemmän vaihtoehtoja
fw ⃗ , b ( x ⃗ ) = le 1 x 1 + le 2 x 2 + le 3 x 3 + b f_{vec{w},b}(vec{x}) = w_1x_1+l_2x_2+w_3x_3+bfw,b(x)=w1x1+w2x2+w3x3+b
Huomautus: Polynomiregressiota voidaan käyttää lineaariseen ja epälineaariseen sovitukseen
Hän on omistautunut teknologian tutkimukselle yli 30 vuoden ajan ja hallitsee useita kieliä, kuten java, linux, javascript, php, css jne. Hän on tehnyt paljon työtä avoimen lähdekoodin alalla Kehittäjän dokumentaatioasema, jossa voit jakaa joitakin teknologian kehittämisen ongelmia myöhempää käyttöä varten
