Publicado em Deixe um comentário

Diferentes tipos de classificadores

Agora, falemos dos classificadores Perceptron – é um conceito retirado de redes neurais artificiais. O problema aqui é classificar isto em duas classes, X1 ou X2. Há dois inputs dados ao perceptron e há uma soma no meio; o input é Xi1 e Xi2 e há pesos associados a ele, w1 e w2. A tampa Yi de fora é a saída desejada e w0 é um peso para ela, e nossa saída desejada é que o sistema possa classificar os dados nas classes com precisão. Você pode facilmente relacionar esta equação com a regressão linear; em que Y é a variável dependente semelhante a Y^. W0 é a intercepção, W1 e W2 são inclinações. X1 e X2 são variáveis independentes. Quando dizemos que pesos aleatórios são gerados, significa que a simulação aleatória está acontecendo em cada iteração. Quando temos uma saída desejada que mostramos ao modelo, a máquina tem que ter uma saída semelhante à nossa expectativa. Inicialmente, pode não ser tão preciso. Mas, à medida que o “treino” continua, a máquina torna-se mais precisa. Com o passar do tempo, o erro é minimizado. Dependendo da complexidade dos dados e do número de aulas, pode levar mais tempo para resolver ou alcançar um nível de precisão aceitável para o treinador. Isto significa que, quando os dados são complexos, a máquina vai demorar mais iterações antes de poder atingir um nível de precisão que esperamos dela. Estas iterações são chamadas Epochs em redes neurais artificiais em problemas de aprendizagem profunda.

Deixe uma resposta

O seu endereço de email não será publicado. Campos obrigatórios marcados com *