1.ニューラルネットワークDeep Learning(2.3.9)

:アルゴリズムの1つ->深度学習

多層概念論多層センサ,MLP:深さ学習アルゴリズムの起点

1.ニューラルネットワークモデル

:複数のステップで意思決定を作成する

左側ノード:入力特性;ベースラインは学習係数

を表す.

右側ノード:入力重み付け=出力

->MLPで重み付け和(y hat)を複数回繰り返し作成する

非表示ユニット:中間ステップ->重み付けの再計算と

これを見るだけで線形モデルに似ているので、もっと強くなるために
らせんまたはスーパーコモン接線の適用(非線形関数)
★我々が決定する重要なパラメータ:隠匿層の単位数
->多くの隠蔽層からなる大規模なニューラルネットワーク=深さ学習!

2.ニューラルネットワークの調整

from sklearn.neural_network import MLPClassifier

特長

MLPのデフォルト=100個の非表示ユニット->小データセットの大きすぎ

基本非線形関数=Rayleigh

非表示層が1つしかないため、決定結界を作成する関数は10本の直線からなる(?REALは知らない…)
->hidden layer size=[,]非表示レイヤをカッコ内のカンマで区切る(?)

の滑らかな結晶境界がほしいなら?

非表示ユニット

を追加

非表示レイヤ

を追加

tanh関数

を使用

L 2パネルを使用して重み付け値を0に近い線形分類器に減らし、ヒステリシス回帰->alphaパラメータ

のデフォルト値は非常に低い(ほぼ規制X)

学習を開始する前に、ウェイトをランダムに->などのパラメータに設定しますが、初期値が異なるとモデルが大きく異なります.

MLPの精度を向上するために、全ての入力の特性を平均0、分散1

とする.

#훈련 세트 평균 계산
mean_on_train =  X_train.mean(axis=0)
#훈련 세트 표준 편차 계산
std_on_train = X_train.std(axis=0)

#표준정규분포로 만들기
X_train_scaled = (X_train - mean_on_train) / std_on_train
#테스트 세트도 표준정규분포로 만들기
X_test_scaled = (X_test - mean_on_train) / std_on_train

mlp = MLPClassifier(random = 0)
# 반복횟수가 100이 기본값이기 때문에 max_iter 매개변수를 이용해 늘려줘야 함
# 안 그럼 오류!
mlp.fit(X_train_scaled, y_train)

print("훈련 세트 정확도: {:.3f}".format(mlp.score(X_train_scaled, y_train)))
print("테스트 세트 정확도: {:.3f}".format(mlp.score(X_test_scaled, y_test)))

モデルの複雑さは

alpha

であり、汎用性を向上させる

分類MLPCClassifier回帰MLPReglersor

深さ学習用のライブラリがたくさん・・

メリットとデメリット

の利点

は機械学習分野の多くのアプリケーションにおいて再び最適な機種となった

である.

大量データ中の情報をキャプチャ

は、非常に複雑なモデル

を作成することができる.

の欠点

は多くの場合、

を学ぶのに長い時間がかかります.
注意

データの前処理->データに異なるタイプの属性がある場合、決定ツリー

複雑度推定

パラメータ:★隠匿層個数+隠匿層個数★+アルファ

以下は2.4節分類予測の不確実性推定です!

scikit-学習でよく使われるインタフェース:分類器で不確実性を推定する機能
- decision_function

predict_proba
(ほとんどの分類クラスでは1つまたは2つの関数が提供されています)

2.決定関数（2.4.1）

:バイナリ分類でdecision functionが返す値のサイズは(n samples,)
->各例は実数値を返します
本当に歴代級では理解できません^^...この値は何を意味しますか?
決定関数を単独で学ぶしかない.

3.予測確率（2.4.2）

:predicate probaの出力はクラスごとの確率->decision functionの出力よりも理解しやすい(ああ!)

戻り値=(n samples,2)

第1クラス要素:第1クラス予測確率

第2クラス要素:第2クラス予測確率
->確率です.したがってpredic probaの出力は常に0と1の値(確率の和=1)

です.

の最後の部分

补习勉强は终わりました~!ニューラルネットワークで聞いたことのある単語(多発式など...)本がたくさんあったので勉強が面白かったのですが、その後新しい関所が待っていてくれました^^...分類予測の不確実性推定......近い将来、私はあなたを征服しに来ます!!