Ein Neuron sagt einen Preis voraus (lineare Regression)
Warum das wichtig ist Das einfachste neuronale Netzwerk ist ein Neuron ohne Aktivierung. Es ist auch ein klassisches Werkzeug: lineare Regression. Alles Größere wird daraus aufgebaut.
Jedes Haus besteht aus zwei Zahlen: seine Größe und wie nah es an der Stadt liegt (beide skaliert zwischen 0 und 1). Das Neuron sagt price = w1 * size + w2 * closeness + b voraus. Für einen ganzen Batch: X @ w + b.
Kleine Zahlen
Mit w = (3, 1.5) und b = 0.5 erhält ein Haus mit Größe 0.5 und Nähe 0.2 den Wert 1.5 + 0.3 + 0.5 = 2.3, was 230,000 bedeutet.
Der Verlust ist der mittlere quadratische Fehler aus Modul 1: der Durchschnitt von (prediction minus truth) quadriert.
Lineare Regression: Vorhersage einer Zahl als gewichtete Summe von Inputs plus ein Bias. Es ist ein einzelnes Neuron ohne eine Aktivierung.
Zusammenfassung Vorhersage mit X @ w + b; Bewertung mit mean squared error.
Wörter und Symbole in dieser Lektion
- neuron
- w . x + b, dann eine Aktivierung
- weights (w, W), bias (b)
- die Zahlen, die ein Neuron lernt; der bias verschiebt seine Ausgabe
Schreibe predict(X, w, b) und mse(pred, y). Setze dann w_guess und b_guess von Hand (probiere einige Werte aus und drucke den loss aus), sodass der loss auf den Daten unter 0.05 liegt.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.