mlpclassifier 예제

5000개의 학습 예제가 있으며 각 학습 예제는 20픽셀 x 20픽셀의 숫자 그레이스케일 이미지입니다. 각 픽셀은 해당 위치에서 회색조 강도를 나타내는 부동 소수점 번호로 표시됩니다. 20 x 20 픽셀 그리드는 400차원 벡터로 풀려나갑니다. 이러한 각 학습 예제는 데이터 매트릭스 X에서 단일 행이 됩니다. 이렇게 하면 모든 행이 필기 숫자 이미지에 대한 학습 예제인 5000 x 400 행렬 X를 제공합니다. 데이터 세트가 제공됩니다… 5000개의 필기 숫자 교육 예제가 포함되어 있습니다. 호기심에서, 우리의 모델이 만드는 실수의 “종류”를 시각화 할 수 있습니다 – 어떤 숫자는 예를 들어, 로 잘못 표시 될 가능성이 가장 높은 진짜 세 가지입니다. 그래서 여기에 요점은 손으로 쓴 숫자의이 데이터 세트에 다중 클래스 분류를 수행하는 것입니다, 그러나 우리는 지루한 오래된 물류 회귀를 사용하여 그것을 시도 할 것이다 그리고 우리는 애호가를 얻고 신경망으로 시도 할 것이다! 다중 클래스 분류에 대한 재교육으로 한 가지 방법은 “One 대 Rest”였다는 점을 기억하십시오.

다음은 세 가지 가능한 lables ${1, 2, 3}$인 경우 문제를 세 가지 이진 분류 문제로 나눌 수 있습니다: 1, 2 또는 2, 3 또는 3. 예를 들어, 1 또는 하지 1 레이블 2와 3으로 모든 학습 데이터를 가져 와서 레이블 0에 매핑한 다음 이 데이터에 대한 표준 바이너리 로지스틱 회귀를 실행하여 가설 $h^{(1)}__theta(x)$를 얻으려면 결정 경계가 범주 1을 t에서 구분합니다. 그는 공간의 나머지. 헹구고 반복하여 $h^{(2)}_세타(x)$와 $h^{(3)}_세타(x)$를 얻습니다. 마지막으로 데이터 $x 계층을 분류하려면 세 클래스 중 가장 큰 $h^{(i)}_theta(x)$에 할당합니다. 기본적으로 상당히 강력한 정규화(C 특성은 역 정규화 강도)로 설정됩니다. 이 사람에 대한 사랑스러운 예측 방법을 사용하여 일부 교육 이미지에서 어떻게 했는지 살펴보겠습니다. 실제로 이전과 같은 종류의 예제 패널을 그릴 것이지만 지금은 모서리에서와 같이 분류 된 숫자를 인쇄 합니다. 인간의 신경계는 수십억 개의 뉴런으로 구성됩니다. 이러한 뉴런은 감각 기관으로부터 받은 입력을 집합적으로 처리하고, 정보를 처리하고, 입력에 반응하여 무엇을 해야 할지 결정한다.

Bookmark the permalink.

Comments are closed.