Scribd
Hochladen
1 Ansichten8 Seiten

Machine Learning 3

Das Dokument beschreibt einen Prozess zur Berechnung von Gewichtungen in einem maschinellen Lernmodell, einschließlich der Berechnung des Netzeingangs und der Anpassung der Gewichtungen basierend auf den Fehlern der Vorhersagen. Es werden spezifische Berechnungen für die Gewichtsanpassungen und die Aktualisierung der Gewichtungen über mehrere Iterationen hinweg dargestellt. Am Ende wird eine finale Gewichtung zur Klassifizierung neuer Daten präsentiert.

Hochgeladen von

ardaucdu1
Copyright
© All Rights Reserved
Wir nehmen die Rechte an Inhalten ernst. Wenn Sie vermuten, dass dies Ihr Inhalt ist, beanspruchen Sie ihn hier.
Verfügbare Formate
Als PDF, TXT herunterladen oder online auf Scribd lesen
1 Ansichten8 Seiten

Machine Learning 3

Das Dokument beschreibt einen Prozess zur Berechnung von Gewichtungen in einem maschinellen Lernmodell, einschließlich der Berechnung des Netzeingangs und der Anpassung der Gewichtungen basierend auf den Fehlern der Vorhersagen. Es werden spezifische Berechnungen für die Gewichtsanpassungen und die Aktualisierung der Gewichtungen über mehrere Iterationen hinweg dargestellt. Am Ende wird eine finale Gewichtung zur Klassifizierung neuer Daten präsentiert.

Hochgeladen von

ardaucdu1
Copyright
© All Rights Reserved
Wir nehmen die Rechte an Inhalten ernst. Wenn Sie vermuten, dass dies Ihr Inhalt ist, beanspruchen Sie ihn hier.
Verfügbare Formate
Als PDF, TXT herunterladen oder online auf Scribd lesen

rgen = [Link].

RandomState(1)
w_ = [Link](loc=0.0, scale=0.01, size=1 + [Link][1])
w_

X[:5]

𝑚
𝒛 = 𝑤0 𝑥0 +𝑤1 𝑥1 +.....+𝑤𝑚 𝑥𝑚 = 𝑤𝑗 𝑥𝑗 = 𝒘𝑇 𝒙
𝑗=0
𝑚
𝒛 = 𝑤0 𝑥0 +𝑤1 𝑥1 +.....+𝑤𝑚 𝑥𝑚 = 𝑤𝑗 𝑥𝑗 = 𝒘𝑇 𝒙
𝑗=0

netinput=[Link](X,w_[1:]) + w_[0]
netinput
y xi
1) 5.1*(-0.00611756)+1.4*(-0.00528172)+ 0.01624345=-0.022350514 -1 -1
2) 4.9*(-0.00611756)+1.4*(-0.00528172)+ 0.01624345=-0.021127002 -1 -1
...
...
51) 7*(-0.00611756)+4.7*(-0.00528172)+ 0.01624345=-0.051403554 1 -1

∆𝑤0 = η 𝑦 (51) − 𝐴𝑢𝑠𝑔𝑎𝑏𝑒 (51)


∆𝑤0 = 0.1 1 − (−1) = 0.2

∆𝑤1 = η 𝑦 (51) − 𝐴𝑢𝑠𝑔𝑎𝑏𝑒 (51) 𝑥1 (51)


∆𝑤1 = 0.1 1 − −1 x 7= 1.4

∆𝑤2 = η 𝑦 (51) − 𝐴𝑢𝑠𝑔𝑎𝑏𝑒 (51) 𝑥2 (51)


∆𝑤2 = 0.1 1 − −1 x 4.7= 0.94
n_iter=1

𝑤_ ≔ 𝑤_+ [0.2 1.4 0.94]


𝑤_ ≔ [ 0.01624345 -0.00611756 -0.00528172] + [0.2 1.4 0.94]
𝑤_≔ [0.21624345 1.39388244 0.93471828]

n_iter=1
....
...
n_iter=10

Endgewictungen zur Prognostizierung der Klassenbezeichnungen neuer Daten

𝑤_≔ [-0.38375655 -0.70611756 1.83471828]

Das könnte Ihnen auch gefallen