Tuultaa

Tuultaa algoritmi on tekniikka päässä koneoppimisen oppimisen lineaarinen luokitin leimatusta esimerkkejä. Se on hyvin samanlainen kuin Perceptron algoritmin. Kuitenkin Perceptron algoritmi käyttää lisäainetta paino-päivitys järjestelmä, kun taas tuultaa käyttää kerrannaisvaikutukset järjestelmä, jonka avulla se voi suorittaa paljon paremmin, kun monet mitat ovat merkityksettömiä. Se on yksinkertainen algoritmi, joka skaalautuu hyvin korkea-ulotteinen tiedot. Koulutuksen aikana, tuultaa on esitetty sekvenssin positiivisia ja negatiivisia esimerkkejä. Näistä se oppii päätös hypertaso joka voidaan sitten käyttää merkitä uusia esimerkkejä positiivinen tai negatiivinen. Algoritmi voidaan käyttää myös online-oppimisen ympäristössä, jossa oppiminen ja luokittelua vaihe ei ole selkeästi erotettu toisistaan.

Algoritmi

Perus-algoritmi, Winnow1, on seuraava. Esimerkiksi tila on, eli kussakin tapauksessa on kuvattu joukko Boolen-arvostettu ominaisuuksia. Algoritmi ylläpitää ei-negatiivinen painot, jotka on alun perin asetettu 1, yksi paino kutakin ominaisuutta. Kun oppilas on antanut esimerkin, se koskee tyypillistä ennuste sääntö lineaarinen luokittelijoiden:

  • Jos, niin ennustaa 1
  • Muuten ennustaa 0

Tässä on reaaliluku, joka on nimeltään kynnys. Yhdessä painot, kynnys määritellään jakamalla hypertaso ilmentymän tilaan. Hyvä rajat saadaan, jos.

Kunkin Esimerkiksi, johon se on esitetty, oppija soveltaa seuraavan päivityksen sääntö:

  • Jos esimerkiksi on oikein luokiteltu, tee mitään.
  • Jos esimerkiksi ennustetaan olevan 1, mutta oikea tulos on 0, kaikki painot osallisena virhe on asetettu 0.
  • Jos esimerkiksi on ennustettu olevan 0, mutta oikea tulos oli 1, kaikki painot osallisena virhe kerrotaan.

Tässä "sekaantunut" tarkoittaa painot ominaisuuksista oikeusasteessa että on arvoa 1. Tyypillinen arvo on 2.

On olemassa monia muunnelmia tämän peruslähtökohta. Winnow2 on samanlainen paitsi, että alentaminen askel painot on jaettu sen sijaan, että asetetaan 0. Balanced tuultaa ylläpitää kahta sarjaa painot, ja näin ollen kaksi hyperplanes. Tämä voidaan sitten yleistää monen tarran luokitus.

Mistake rajat

Tietyissä olosuhteissa, voidaan osoittaa, että virheiden määrä Silpimis tekee, koska se oppii, on yläraja, joka on riippumaton useita tapauksia, jonka kanssa se on esitetty. Jos Winnow1 algoritmi käyttää ja kohde-toiminto, joka on -literal monotoninen Ulkopuolelle annetaan, sitten mikä tahansa sekvenssin tapauksissa kokonaismäärästä virheitä rajoittuu :.

(0)
(0)
Edellinen artikkeli Vardøhus Fortress
Seuraava artikkeli Länsi-Preussi

Kommentit - 0

Ei kommentteja

Lisääkommentti

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Merkkiä jäljellä: 3000
captcha