«loss-functions» etiketlenmiş sorular

İki tür lojistik kayıp formülasyonu gördüm. Kolayca aynı olduklarını kolayca gösterebiliriz, tek fark etiketinin tanımıdır .yyy Formülasyon / gösterim 1, :y∈{0,+1}y∈{0,+1}y \in \{0, +1\} L(y,βTx)=−ylog(p)−(1−y)log(1−p)L(y,βTx)=−ylog⁡(p)−(1−y)log⁡(1−p) L(y,\beta^Tx)=-y\log(p)-(1-y)\log(1-p) burada lojistik fonksiyon bir gerçek sayı harita, 0,1 aralığı. βTxp=11+exp(−βTx)p=11+exp⁡(−βTx)p=\frac 1 {1+\exp(-\beta^Tx)}βTxβTx\beta^T x Formülasyon / gösterim 2, :y∈{−1,+1}y∈{−1,+1}y \in \{-1, +1\} L(y,βTx)=log(1+exp(−y⋅βTx))L(y,βTx)=log⁡(1+exp⁡(−y⋅βTx)) L(y,\beta^Tx)=\log(1+\exp{(-y\cdot \beta^Tx})) …

23 logistic  generalized-linear-model  notation  loss-functions 

İnsanlar yumuşak marj menteşe kaybı fonksiyonunu kullandığını söylüyor: . Bununla birlikte, yumuşak marjlı SVM'nin en aza indirmeye çalıştığı asıl amaç işlevi \ frac {1} {2} \ | w \ | ^ 2 + C \ sum_i \ max (0,1-y_i (w ^ \ intercal x_i + b) ) Bazı yazarlar \ …

23 svm  loss-functions 

Burada da benzer bir iş parçacığı var ( Sinir ağının maliyet işlevi dışbükey değil mi? ) Fakat buradaki cevaplardaki noktaları anlayamadım ve bunun tekrar sorulma nedeninin bazı sorunları netleştireceğini umuyorum: I karesi alınmış farkı maliyet fonksiyonunun toplamı kullanıyorum için, sonuçta formun şey optimize am y eğitim aşaması esnasında gerçek etiket …

22 machine-learning  neural-networks  optimization  loss-functions  convex 

RandomForest R paketindeki yanlış sınıflandırma maliyetini kontrol etmek mümkün müdür ? Kendi işimde yanlış negatifler (örneğin, bir insanın bir hastalığa sahip olabileceği gibi yanlış) eksik, yanlış pozitiflerden çok daha maliyetlidir. Rpart paketi , kullanıcının farklı sınıflandırma ağırlıklarına göre farklılıklar için bir kayıp matrisi belirleyerek yanlış sınıflandırma maliyetlerini kontrol etmesine izin …

21 r  classification  random-forest  loss-functions  metric 

Bu sorunun cevabı burada zaten var : Maliyet işlevindeki değişim nasıl olumlu olabilir? (1 cevap) Sinir ağım öğrenmediğinde ne yapmalıyım? (5 cevaplar) Geçen ay kapalı . 4 tip diziyi sınıflandırmak için bir model (Tekrarlayan Sinir Ağı) eğitimi alıyorum. Eğitimimi yürütürken eğitim grubumdaki örneklerin% 90'ından fazlasını doğru bir şekilde sınıflandırdığım noktaya …

21 machine-learning  neural-networks  loss-functions  rnn  training-error 

Parametreleri tahmin etmek için 'temel' istatistik fikri maksimum olasılıktır . Makine öğreniminde buna karşılık gelen fikrin ne olduğunu merak ediyorum. Sn 1. Parametreleri tahmin etmek için makine öğrenmesindeki 'temel' fikrin 'Kayıp Fonksiyonları' olduğunu söylemek adil olur mu? [Not: Makine öğrenimi algoritmalarının genellikle bir kayıp fonksiyonunu ve dolayısıyla yukarıdaki soruyu optimize …

19 machine-learning  maximum-likelihood  loss-functions  pac-learning 

Kayıp fonksiyonunun amacının ne olduğunu kavramaya çalışıyorum ve bunu tam olarak anlayamıyorum. Yani, anladığım kadarıyla kayıp fonksiyonu, yanlış bir kararın "maliyetini" ölçebileceğimiz bir tür metrik sunmaktır. Diyelim ki 30 nesne veri setim var, bunları 20/10 gibi eğitim / test setlerine böldüm. 0-1 kayıp işlevini kullanacağım, bu yüzden sınıf etiketleri setimin …

19 machine-learning  loss-functions 

İnsanların sıklıkla ROC-AUC veya AveP (ortalama hassasiyet) bildirdiği bir sorun alanında çalışıyorum . Ancak, yakın zamanda Log Loss'i optimize eden kağıtlar buldum , ancak diğerleri Menteşe Kaybını bildirdi . Bu metriklerin nasıl hesaplandığını anlasam da , aralarındaki ödünleşimleri anlamakta zorlanıyorum ve bu tam olarak ne için iyi. ROC-AUC ve Precision-Recall'a …

18 loss-functions 

Düz bir öncekiyle, ML (sıklık - maksimum olasılık) ve MAP (Bayes - maksimum posteriori) tahmin edicileri çakışır. Bununla birlikte, daha genel olarak, bazı kayıp fonksiyonlarının iyileştiricileri olarak türetilen nokta tahmin edicilerden bahsediyorum. yani (Bayesian) x (x^(.)=argminE(L(X−x^(y))|y) (Bayesian) x^(.)=argminE(L(X−x^(y))|y) (Bayesian) \hat x(\,. ) = \text{argmin} \; \mathbb{E} \left( L(X-\hat x(y)) \; …

17 bayesian  estimation  loss-functions  frequentist  decision-theory 

Tensorflow, CIFAR-10'u sınıflandırma hakkında örnek bir öğreticiye sahiptir . Eğitimde, toplu işteki ortalama çapraz entropi kaybı en aza indirilmiştir. def loss(logits, labels): """Add L2Loss to all the trainable variables. Add summary for for "Loss" and "Loss/avg". Args: logits: Logits from inference(). labels: Labels from distorted_inputs or inputs(). 1-D tensor of …

17 neural-networks  loss-functions  tensorflow 

Bir oyuncak veri kümesi üzerinde ikili sınıflandırma yapmak için kare kaybı kullanmaya çalışıyorum. mtcarsVeri seti kullanıyorum , iletim tipini tahmin etmek için galon başına mil ve ağırlık kullanıyorum. Aşağıdaki grafik, farklı renkteki iki tür iletim tipi verisini ve farklı kayıp fonksiyonu tarafından oluşturulan karar sınırını göstermektedir. Kare kayıp burada temel …

16 r  machine-learning  logistic  optimization  loss-functions 

Günlük kaybını ve nasıl çalıştığını daha iyi anlamaya çalışıyorum ama bulamadığım bir şey, günlük kaybı numarasını bir çeşit içeriğe koymaktır. Modelimin günlük kaybı 0.5 ise, bu iyi mi? İyi ve kötü puan nedir? Bu eşikler nasıl değişir?

16 machine-learning  loss-functions  log-loss 

Makine öğrenimindeki bazı temel fikirler hakkında küresel bir bakış açısı elde etmeye çalışıyorum ve farklı kayıp kavramlarının (kare, günlük, menteşe, proxy, vb.) Kapsamlı bir tedavisi olup olmadığını merak ediyordum. John Langford'ın Kayıp İşlevi Semantiği hakkındaki mükemmel yazısının daha kapsamlı ve resmi bir sunum çizgisi boyunca bir şeyler düşünüyordum .

16 references  loss-functions 

Yolo v2 kaybı işlevini anlamaya çalışıyorum: λcoord∑i=0S2∑j=0B1objij[(xi−x^i)2+(yi- y^ben)2]+ λc o o r dΣi = 0S2Σj = 0B1o b jben j[ ( wben--√- w^ben--√)2+ ( sben--√- h^ben--√)2]+ ∑i = 0S2Σj = 0B1o b jben j( Cben- C^ben)2+ λn o o b jΣi = 0S2Σj = 0B1n o o b jben j( …

16 neural-networks  loss-functions  object-detection  yolo 

Menteşe kaybı ve günlük kaybımaks. ( 0 , 1 - ybenwTxben)maksimum(0,1-ybenwTxben)\text{max}(0, 1-y_i\mathbf{w}^T\mathbf{x}_i)günlük ( 1 + exp( - ybenwTxben) )günlük(1+tecrübe⁡(-ybenwTxben))\text{log}(1 + \exp(-y_i\mathbf{w}^T\mathbf{x}_i)) Aşağıdaki sorularım var: Menteşe kaybı her dezavantajları (örneğin belirtildiği gibi uçlara karşı duyarlıdır var http://www.unc.edu/~yfliu/papers/rsvm.pdf )? Birinin diğerine göre farkları, avantajları ve dezavantajları nelerdir?

14 machine-learning  svm  loss-functions  computer-vision