Pubblicato il Lascia un commento

Diversi tipi di classificatori

Ora, parliamo dei classificatori Perceptron- è un concetto preso dalle reti neurali artificiali. Il problema qui è classificare in due classi, X1 o classe X2. Ci sono due input dati al perceptron e c’è una somma in mezzo; l’input è Xi1 e Xi2 e ci sono dei pesi associati ad esso, w1 e w2. Il tappo Yi dall’esterno è l’output desiderato e w0 è un peso ad esso, e il nostro output desiderato è che il sistema possa classificare accuratamente i dati nelle classi. Si può facilmente mettere in relazione questa equazione con la regressione lineare; dove, Y è la variabile dipendente simile a Y^. W0 è l’intercetta, W1 e W2 sono le pendenze. X1 e X2 sono variabili indipendenti. Quando diciamo che i pesi casuali vengono generati, significa che la simulazione casuale avviene in ogni iterazione. Quando abbiamo un output desiderato che mostriamo al modello, la macchina deve produrre un output simile alla nostra aspettativa. Inizialmente, potrebbe non essere così accurato. Ma, man mano che il “training” continua, la macchina diventa più precisa. Con il passare del tempo, l’errore si riduce al minimo. A seconda della complessità dei dati e del numero di classi, potrebbe essere necessario più tempo per risolvere o raggiungere un livello di accuratezza accettabile per il formatore. Questo significa che quando i dati sono complessi la macchina impiegherà più iterazioni prima di raggiungere il livello di accuratezza che ci aspettiamo da lei. Queste iterazioni sono chiamate Epoche nelle reti neurali artificiali nei problemi di apprendimento profondo.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *