Publicerad den Lämna en kommentar

Olika typer av klassificerare

Nu ska vi prata om Perceptron-klassificerare – det är ett koncept från artificiella neurala nätverk. Problemet här är att klassificera detta i två klasser, X1 eller klass X2. Det finns två ingångar som ges till perceptronen och det finns en summering däremellan; ingången är Xi1 och Xi2 och det finns vikter kopplade till den, w1 och w2. Yi cap från utsidan är den önskade utgången och w0 är en vikt till den, och vår önskade utgång är att systemet kan klassificera data i klasserna på ett korrekt sätt. Du kan enkelt relatera denna ekvation till linjär regression; där Y är den beroende variabeln som liknar Y^. W0 är interceptet, W1 och W2 är lutningarna. X1 och X2 är oberoende variabler. När vi säger att slumpmässiga vikter genereras betyder det att slumpmässig simulering sker i varje iteration. När vi har ett önskat resultat som vi visar för modellen måste maskinen komma fram till ett resultat som liknar vår förväntan. Till en början är det kanske inte lika exakt. Men allteftersom ”träningen” fortsätter blir maskinen mer exakt. Med tiden minimeras felet. Beroende på uppgifternas komplexitet och antalet klasser kan det ta längre tid att lösa eller nå en noggrannhetsnivå som är acceptabel för utbildaren. Detta innebär att när uppgifterna är komplexa kommer maskinen att ta fler iterationer innan den kan nå en noggrannhetsnivå som vi förväntar oss av den. Dessa iterationer kallas epoker i artificiella neurala nätverk vid problem med djupinlärning.

Lämna ett svar

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *