हाँ या ना जवाब (logistic regression)
यह क्यों मायने रखता है ज़्यादातर काम एक संख्या नहीं, एक श्रेणी माँगते हैं: spam या नहीं, बिल्ली या कुत्ता। एक neuron और एक दबाने वाला function एक probability के साथ हाँ या ना जवाब देता है।
इसे देखें
sigmoid किसी भी संख्या को 0 से 1 की सीमा में दबाता है: sigmoid(z) = 1 / (1 + exp(-z))। sigmoid(0) = 0.5, sigmoid(3) लगभग 0.95, sigmoid(-3) लगभग 0.05। output को "जवाब हाँ होने की probability" के रूप में पढ़ें।
loss दो classes के साथ Module 2 का cross-entropy है: -mean(y log p + (1 - y) log(1 - p))। इसका gradient ख़ूबसूरती से सरल निकलता है: grad_w = X.T @ (p - y) / n। फिर से अनुमान घटा सच।
Logistic regression: एक sigmoid के साथ एक neuron, cross-entropy से train किया। यह दो classes के बीच एक सीधी-रेखा सीमा खींचता है।
सार अंक दें, एक probability में दबाएँ, (p - y) पर train करें।
इस पाठ के शब्द और चिह्न
- neuron
- w . x + b, फिर एक activation
- sigmoid
- 1 / (1 + exp(-z)): किसी भी संख्या को 0 से 1 में दबाता है
- learning rate (lr)
- हर training step कितना बड़ा है
sigmoid(z) और शून्यों से शुरू होकर (w, b) लौटाने वाला train_logistic(X, y, lr, steps) लिखें। फिर accuracy(X, y, w, b): उन बिंदुओं का हिस्सा जहाँ p > 0.5 label से मेल खाता है। उन्हीं दो समूहों के छिपे बिंदुओं पर कम से कम 90% तक पहुँचें।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।