新着情報TOP > perceptron 예제

perceptron 예제

기계 학습에서 지각론은 이진 분류기를 감독학습하기 위한 알고리즘입니다. 이진 분류자는 숫자 벡터로 표시되는 입력이 특정 클래스에 속하는지 여부를 결정할 수 있는 함수입니다. [1] 선형 분류기의 유형, 즉 기능 벡터와 가중치 세트를 결합하는 선형 예측 함수를 기반으로 예측을 하는 분류 알고리즘입니다. 커널 지각 알고리즘은 이미 Aizerman et al.[5] 마진 경계 보장이 프룬트와 샤피레(1998),[1]에 의해 먼저 일반 비분리 사례에서 퍼셉트론 알고리즘에 대해 주어졌으며, 최근에는 Mohri와 이전 결과를 확장하고 새로운 L1 경계를 제공하는 로스타미자데 (2013). [6] 위에서 만든 예측() 및 train_weights() 함수를 사용하여 모델을 학습하고 새 지각() 함수를 사용하여 함께 묶습니다. 안녕하세요 하지만 난 출력에 3 클래스에 대 한 단지 지 각을 사용 하 여 우리는 내가 위에서 언급 한 입력으로 기록 데이터를 기반으로 영화를 보고 있을 경우 추정 하는 지 각을 사용 하려고. 데이터는 긍정적이고 부정적인 예를 가지고 있으며, 긍정적 인 것은 내가 본 영화인, 1. 데이터를 기반으로, 우리는 지각 학습 알고리즘을 사용하여 가중치를 배울 것입니다. 시각적 단순성의 경우 2차원 입력만 가정합니다. 나 같은 초보자를위한 아주 좋은 가이드! 위의 예에서 언급한 가중치를 도울 수 있습니다. 나는 가이드로 예제를보고 내 자신의 지각을 작성하고 있습니다, 지금은 나와 같은 가중치 벡터를 사용하고 싶지 않지만 예제 데이터 집합에 대해 동일한 100 % 정확한 예측을 생성하고 싶습니다. 효율적인 지각을 위해 최고의 랜덤 가중치를 초기화하는 방법을 안내해 주십시오. 감사합니다.

지각 알고리즘은 레이블이 지정된 데이터에 대해 학습할 수 있는 이점이 있는 기계 학습 작업인 감독 학습에 자주 사용됩니다. 이는 레이블이 지정되지 않은 데이터에 대해 학습되는 자율 학습과 대조됩니다. 특히, 지각 알고리즘은 이진 분류 데이터, 한 클래스 또는 다른 클래스의 구성원 중 하나 인 개체에 초점을 맞춥니다. 또한 온라인 학습을 허용하므로 학습 데이터 집합의 요소를 한 번에 하나씩 처리합니다(대규모 데이터 집합에 유용할 수 있음). 분류가 선형으로 분리 가능한 경우 지각이 있는 클래스의 수를 가질 수 있습니다. 우리는 몇 가지 임의의 벡터와 w를 초기화. 그런 다음 데이터의 모든 예제(P U N)를 양수 및 음수 예제모두에 반복합니다. 이제 입력 x가 P에 속하는 경우, 이상적으로 도트 제품 w.x는 무엇을해야합니까? 나는 그것이 우리의 지각론이 하루의 끝에서 원하는 유일한 것이기 때문에 0보다 크거나 같은 것을 말하고 싶습니다.