Des réponses oui ou non (régression logistique)
Pourquoi c'est important La plupart des tâches demandent une catégorie, pas un nombre : spam ou pas, chat ou chien. Un neurone plus une fonction d'écrasement répond oui ou non avec une probabilité.
Vois-le
La sigmoïde écrase n'importe quel nombre dans l'intervalle de 0 à 1 : sigmoid(z) = 1 / (1 + exp(-z)). sigmoid(0) = 0.5, sigmoid(3) vaut environ 0.95, sigmoid(-3) environ 0.05. Lis la sortie comme « la probabilité que la réponse soit oui ».
La perte est l'entropie croisée du module 2 avec deux classes : -mean(y log p + (1 - y) log(1 - p)). Son gradient sort d'une simplicité magnifique : grad_w = X.T @ (p - y) / n. Encore une fois prédiction moins vérité.
Régression logistique : un neurone avec une sigmoïde, entraîné avec l'entropie croisée. Il trace une frontière droite entre deux classes.
Récap Note, écrase en probabilité, entraîne sur (p - y).
Mots et symboles de cette leçon
- neurone
- w . x + b, puis une activation
- sigmoïde
- 1 / (1 + exp(-z)) : écrase n'importe quel nombre entre 0 et 1
- taux d'apprentissage (lr)
- la taille de chaque pas d'entraînement
Écris sigmoid(z) et train_logistic(X, y, lr, steps) qui renvoie (w, b), en partant de zéros. Puis accuracy(X, y, w, b) : la part des points où p > 0.5 correspond à l'étiquette. Atteins au moins 90 % sur des points cachés des deux mêmes groupes.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.