Respostas sim ou não (regressão logística)
Por que isso importa A maioria das tarefas pede uma categoria, não um número: spam ou não, gato ou cachorro. Um neurônio mais uma função de esmagamento responde sim ou não com uma probabilidade.
Veja isso
A função sigmoid achata qualquer número no intervalo de 0 a 1: sigmoid(z) = 1 / (1 + exp(-z)). sigmoid(0) = 0.5, sigmoid(3) é cerca de 0.95, sigmoid(-3) cerca de 0.05. Leia a saída como "a probabilidade de a resposta ser sim".
A perda é a cross-entropy do Módulo 2 com duas classes: -mean(y log p + (1 - y) log(1 - p)). Seu gradiente sai lindamente simples: grad_w = X.T @ (p - y) / n. Predição menos verdade novamente.
Regressão logística: um neurônio com uma sigmoide, treinado com cross-entropy. Ele desenha uma fronteira de linha reta entre duas classes.
Resumo Score, comprima para uma probabilidade, treine em (p - y).
Palavras e símbolos nesta lição
- neuron
- w . x + b, depois uma ativação
- sigmoid
- 1 / (1 + exp(-z)): esmaga qualquer número para 0 a 1
- taxa de aprendizado (lr)
- quão grande cada training step é
Escreva sigmoid(z) e train_logistic(X, y, lr, steps) retornando (w, b), começando do zero. Depois accuracy(X, y, w, b): a parte de pontos onde p > 0.5 corresponde ao label. Alcance pelo menos 90% nos pontos ocultos dos mesmos dois grupos.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.