Eén neuron voorspelt een prijs (lineaire regressie)
Waarom dit ertoe doet Het simpelste neurale netwerk is één neuron zonder activatie. Het is ook een klassiek hulpmiddel: lineaire regressie. Alles groters is hierop gebouwd.
Elk huis heeft twee getallen: de grootte en hoe dicht het bij de stad is (beide geschaald tussen 0 en 1). Het neuron voorspelt price = w1 * size + w2 * closeness + b. Voor een hele batch: X @ w + b.
Tintalletjes
Met w = (3, 1.5) en b = 0.5 krijgt een huis met grootte 0.5 en nabijheid 0.2 de score 1.5 + 0.3 + 0.5 = 2.3, wat betekent 230,000.
De loss is de mean squared error uit Module 1: het gemiddelde van (prediction minus truth) in het kwadraat.
Lineaire regressie: het voorspellen van een getal als een gewogen som van inputs plus een bias. Het is een enkel neuron zonder een activatie.
Samenvatting Voorspel met X @ w + b; score met mean squared error.
Woorden en symbolen in deze les
- neuron
- w . x + b, dan een activatie
- weights (w, W), bias (b)
- de getallen die een neuron leert; de bias verschuift zijn output
Schrijf predict(X, w, b) en mse(pred, y). Stel daarna w_guess en b_guess handmatig in (probeer een paar waarden en print de loss) zodat de loss op de data onder 0.05 is.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.