강의 계획 레슨 246개 중 41번째 · 모듈 3: 뉴런에서 MLP까지
모듈 3: 뉴런에서 MLP까지

예 또는 아니요 답(로지스틱 회귀)

왜 중요한가 대부분의 과제는 숫자가 아니라 범주를 물어요: 스팸인지 아닌지, 고양이인지 개인지. 뉴런 하나 더하기 눌러 넣는 함수가 예 또는 아니요를 확률로 답해요.

보기

sigmoid는 어떤 숫자든 0에서 1 범위로 눌러 넣어요: sigmoid(z) = 1 / (1 + exp(-z)). sigmoid(0) = 0.5, sigmoid(3)은 약 0.95, sigmoid(-3)은 약 0.05. 출력을 "답이 예일 확률"로 읽으세요.

손실은 클래스가 둘인 모듈 2의 교차 엔트로피예요: -mean(y log p + (1 - y) log(1 - p)). 그 기울기는 아름답게 단순하게 나와요: grad_w = X.T @ (p - y) / n. 또 예측 빼기 실제 값이에요.

로지스틱 회귀: sigmoid가 있는 뉴런 하나를 교차 엔트로피로 훈련한 것. 두 클래스 사이에 직선 경계를 그어요.

요약 점수를 매기고, 확률로 눌러 넣고, (p - y)로 훈련하세요.

이 레슨의 단어와 기호
뉴런
w . x + b, 그다음 활성화
sigmoid
1 / (1 + exp(-z)): 어떤 숫자든 0에서 1로 눌러 넣어요
학습률 (lr)
각 훈련 단계가 얼마나 큰지
내 차례

sigmoid(z)와, 0에서 시작해 (w, b)를 반환하는 train_logistic(X, y, lr, steps)를 쓰세요. 그다음 accuracy(X, y, w, b): p > 0.5가 레이블과 맞는 점의 비율. 같은 두 무리에서 나온 숨겨진 점들에서 적어도 90%에 도달하세요.

이 레슨에서 문제를 발견했나요? 알려 주세요 · 이 레슨에 대해 묻기

이 연습은 곧 열려요

앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.