Olasılıksal sinir ağı

 

Olasılıksal sinir ağı . Nasıl çalışır (anlamadım). Ağırlıklar nasıl ayarlanır, vb. Her yerde yüzeysel açıklama. Mat söyleyebilirsin. aparat.

 
Sağ üst köşede bir arama kutusu var. Bundan yararlanın .
 
Burada her örnekten A'dan n ve B'den k örneklerimiz var. z sayıda parametreye sahiptir. Bilinmeyen bir öğe ortaya çıkıyor ve onu A veya B'ye atfetmemiz gerekiyor. Peki nasıl? Öklid mesafesini al?
 
gumgum >> :
Вот у нас есть образцы n из A и k из B. каждый обр. обладает z кол-вом параметров. Появляется неизвестный элемент и нам надо его отнести к А или B. Ну и как? Евклидово расстояние брать?

2 kelimeyle:

belirli bir noktada (tanınabilir vektör), radyal fonksiyonların (potansiyel) aktivitesi toplanır, önce A sınıfı, sonra B sınıfı ile toplanır, tanınabilir vektörün hangi sınıfa ait olduğu hakkında sonuç karşılaştırılarak yapılır. toplamlar (en çok kazanan).

2 gün:

Olasılık ağı ve MLT çok farklıdır. Her durumda, farklı bir prensipleri var.

Başka bir şey de, farklı ızgaralarla uğraşmanızı tavsiye etmiyorum, ihtiyacınız olan her şey normal MLP'den sıkılmış durumda.

 

Sınıflandırma göreviniz var.

Ağı eğitmek için , cevabı 1 veya -1 olan (A veya B'ye ait) örnekler kullanılır.

Nöronların aktivasyon fonksiyonu olarak sigmoidi kullanırız.


Şuna benziyor:

Diyelim ki A uzayının tüm cevapları 1'e ve B uzayının tüm cevaplarına -1 sahip. Ayrıca, bu boşluklar kesin bir düz çizgiyle (belki bir eğri) ayrılmak zorunda değildir.

Mevcut özelliklere göre tam olarak A veya B'ye girmeyen tüm cevaplar (verileri okuyoruz - giriyoruz) uzayda bir ızgarada yer alacaktır -1 ... 1

şöyle bir olasılıkla:


PS Bunu biliyordun, değil mi?




 
joo >> :

Sınıflandırma göreviniz var.

Ağı eğitmek için, cevabı 1 veya -1 olan (A veya B'ye ait) örnekler kullanılır.

Nöronların aktivasyon fonksiyonu olarak sigmoidi kullanırız.


Şuna benziyor:

Diyelim ki A uzayının tüm cevapları 1'e ve B uzayının tüm cevaplarına -1 sahip. Ayrıca, bu boşluklar kesin bir düz çizgiyle (belki bir eğri) ayrılmak zorunda değildir.

Mevcut özelliklere göre tam olarak A veya B'ye girmeyen tüm cevaplar (okuduk - veri girdisi) -1 ... 1 uzayındaki bir ızgarada yer alacaktır.

şöyle bir olasılıkla:


PS Bunu biliyordun, değil mi?





Bence bu sadece aktivasyon işlevi değil
 
StatBars >> :

2 gün:

Olasılık ağı ve MLT çok farklıdır. Her durumda, farklı bir prensipleri var.

Başka bir şey de, farklı ızgaralarla uğraşmanızı tavsiye etmiyorum, ihtiyacınız olan her şey normal MLP'den sıkılmış durumda.

Soru mat cihazıyla ilgiliydi. Fark hocalarında. PNN'nin -1 ve 1 yanıtları vardır, aradaki her şey bir sınıfa ait olma olasılığıdır, MLP (MNN) ise -1 ve 1 aralığının tamamında yanıtlara sahiptir. Fark sadece öğretmendedir (eğitim için kontrol verileri). ) ve ağlar aynıdır.

 
joo >> :

Soru mat cihazıyla ilgiliydi. Fark hocalarında. PNN'nin -1 ve 1 yanıtları vardır, aradaki her şey bir sınıfa ait olma olasılığıdır, MLP (MNN) ise -1 ve 1 aralığının tamamında yanıtlara sahiptir. Fark sadece öğretmendedir (eğitim için kontrol verileri). ) ve ağlar aynıdır.

Bu sadece öğretmenle ilgili değil. İlke farklıdır. MLP, çizgiler (hiper düzlemler) ve olasılıklı daireler (hiper toplar) çizer.

Basit bir örnek alın:

Doğrusal bir algılayıcı onu bir çizgiyle böldü ve işte bu, çizgisi sonsuzdur.

Ve her iki sınıfın potansiyellerinin değeri pratikte sıfır olacaktır. Bir fark var?

 

Misal.

Erkek veya kadın sınıflandırmasını düzenlemek gereklidir.

Böyle işaretler var, işaretlerin sayısı giriş katmanındaki nöronların sayısına karşılık geliyor.

1. Birincil cinsel özelliklerin varlığı/yokluğu.

2. İkincil cinsel özelliklerin varlığı/yokluğu

3. Saç uzunluğu.

4. Kalça genişliği

5. Omuz genişliği.

6. Uzuvlarda saç varlığı.

7. Kozmetiklerin varlığı.

Özellikleri -1...1 aralığında kodluyoruz.

Antrenman yaparken ağa %100 cinsiyete ait işaretler sunuyoruz. Cevap -1 ve 1.

Özellik kombinasyonları "bulanık cevaplar" vermeyecektir, örneğin (-0,8) kadın olma olasılığının %80'ine karşılık gelecektir.