Evet ya da hayır cevapları (lojistik regresyon)
Neden önemli Çoğu görev bir sayı değil, bir kategori ister: spam mı değil mi, kedi mi köpek mi. Tek bir nöron artı bir sıkıştırma fonksiyonu evet ya da hayırı bir olasılıkla cevaplar.
Gör
Sigmoid her sayıyı 0 ile 1 aralığına sıkıştırır: sigmoid(z) = 1 / (1 + exp(-z)). sigmoid(0) = 0.5, sigmoid(3) yaklaşık 0.95, sigmoid(-3) yaklaşık 0.05. Çıktıyı "cevabın evet olma olasılığı" olarak oku.
Kayıp, Modül 2'deki iki sınıflı çapraz entropidir: -mean(y log p + (1 - y) log(1 - p)). Gradyanı güzel bir sadelikle çıkar: grad_w = X.T @ (p - y) / n. Yine tahmin eksi gerçek.
Lojistik regresyon: çapraz entropiyle eğitilen, sigmoidli tek bir nöron. İki sınıf arasına düz bir sınır çizer.
Özet Puanla, bir olasılığa sıkıştır, (p - y) üzerinde eğit.
Bu dersteki kelimeler ve semboller
- nöron
- w . x + b, sonra bir aktivasyon
- sigmoid
- 1 / (1 + exp(-z)): her sayıyı 0 ile 1 arasına sıkıştırır
- öğrenme oranı (lr)
- her eğitim adımının ne kadar büyük olduğu
sigmoid(z) ve sıfırlardan başlayıp (w, b) döndüren train_logistic(X, y, lr, steps) yaz. Sonra accuracy(X, y, w, b): p > 0.5 değerinin etiketle eşleştiği noktaların payı. Aynı iki gruptan gizli noktalarda en az %90'a ulaş.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.