Jawaban ya atau tidak (logistic regression)
Kenapa ini penting Kebanyakan tugas meminta kategori, bukan angka: spam atau bukan, kucing atau anjing. Satu neuron ditambah fungsi squashing menjawab ya atau tidak dengan sebuah probabilitas.
Lihat sendiri
Sigmoid menekan angka apa pun ke dalam rentang 0 sampai 1: sigmoid(z) = 1 / (1 + exp(-z)). sigmoid(0) = 0.5, sigmoid(3) sekitar 0.95, sigmoid(-3) sekitar 0.05. Baca output sebagai "probabilitas jawaban adalah ya".
Loss adalah cross-entropy dari Module 2 dengan dua kelas: -mean(y log p + (1 - y) log(1 - p)). Gradiennya keluar dengan sangat sederhana: grad_w = X.T @ (p - y) / n. Prediksi dikurangi kebenaran lagi.
Regresi logistik: satu neuron dengan sigmoid, dilatih dengan cross-entropy. Ini membuat batas garis lurus antara dua kelas.
Ringkasan Skor, ubah ke probabilitas, latih pada (p - y).
Kata dan simbol di pelajaran ini
- neuron
- w . x + b, lalu sebuah activation
- sigmoid
- 1 / (1 + exp(-z)): mengubah angka apa pun menjadi 0 sampai 1
- laju pembelajaran (lr)
- seberapa besar setiap training step
Tulis sigmoid(z) dan train_logistic(X, y, lr, steps) yang mengembalikan (w, b), mulai dari nol. Lalu accuracy(X, y, w, b): bagian dari titik di mana p > 0.5 cocok dengan label. Capai setidaknya 90% pada titik tersembunyi dari dua kelompok yang sama.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.