Publikováno Napsat komentář

Různé typy klasifikátorů

Nyní si povíme něco o perceptronových klasifikátorech – jedná se o koncept převzatý z umělých neuronových sítí. Problém zde spočívá v klasifikaci do dvou tříd, a to třídy X1 nebo třídy X2. Perceptronu jsou zadány dva vstupy a mezi nimi je součet; vstupy jsou Xi1 a Xi2 a jsou s nimi spojeny váhy w1 a w2. Uzávěr Yi zvenčí je požadovaný výstup a w0 je váha k němu a naším požadovaným výstupem je, aby systém dokázal přesně klasifikovat data do tříd. Tuto rovnici můžete snadno spojit s lineární regresí; v ní je Y závislou proměnnou podobně jako Y^. W0 je intercept, W1 a W2 jsou sklony. X1 a X2 jsou nezávislé proměnné. Když říkáme, že se generují náhodné váhy, znamená to, že v každé iteraci dochází k náhodné simulaci. Když máme jeden požadovaný výstup, který modelu ukážeme, stroj musí přijít s výstupem podobným našemu očekávání. Zpočátku nemusí být tak přesný. Ale jak „trénink“ pokračuje, stroj se stává přesnějším. Postupem času se chyba minimalizuje. V závislosti na složitosti dat a počtu tříd může řešení trvat déle nebo může být dosaženo úrovně přesnosti, která je pro školitele přijatelná. To znamená, že pokud jsou data složitá, bude stroji trvat více iterací, než dosáhne úrovně přesnosti, kterou od něj očekáváme. Těmto iteracím se u umělých neuronových sítí v problémech hlubokého učení říká epochy.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *