«loss-functions» etiketlenmiş sorular

Tamam - orijinal mesajım yanıt alamadı; soruyu farklı bir şekilde ifade edeyim. Tahmin anlayışımı bir karar teorik perspektifinden açıklayarak başlayacağım. Resmi bir eğitimim yok ve düşüncem bir şekilde kusurlu olursa beni şaşırtmaz. Bazı kayıp fonksiyonlarımız olduğunu varsayalım L ( θ ,θ^( x ) )L(θ,θ^(x))L(\theta,\hat\theta(x)). Beklenen kayıp (sıklık) riskidir: R ( …

10 bias  loss-functions  frequentist  decision-theory  risk 

Ben görev bir görüntüde bir kutu (x, y) konumunu tahmin etmektir regresyon için basit bir evrişimsel sinir ağı, örneğin: Ağın çıktısında biri x, diğeri y için olmak üzere iki düğüm vardır. Ağın geri kalanı standart bir evrişimli sinir ağıdır. Kayıp, kutunun öngörülen konumu ile yer gerçeği konumu arasındaki standart ortalama …

9 machine-learning  neural-networks  optimization  deep-learning  loss-functions 

Her iki şekilde de gördüğümü biliyorum, bu yüzden ikisi arasında bir fark var ve hangisine daha sık atıfta bulunuluyor?

9 logistic  terminology  logarithm  loss-functions 

İkinci dereceden kayıp , daha önce verilen burada . Let olasılığı. Bayes tahmincisini bulun .L(θ,δ)=(θ−δ)2L(θ,δ)=(θ−δ)2L(\theta,\delta)=(\theta-\delta)^2π(θ)π(θ)\pi(\theta)π(θ)∼U(0,1/2)π(θ)∼U(0,1/2)\pi(\theta)\sim U(0,1/2)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπδπ\delta^\pi Ağırlıklı karesel kaybı göz önünde burada ile önceden . Let olması olasılığı artar. Bayes tahmincisini bulun .Lw(θ,δ)=w(θ)(θ−δ)2Lw(θ,δ)=w(θ)(θ−δ)2L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2w(θ)=I(−∞,1/2)w(θ)=I(−∞,1/2)w(\theta)=\mathbb{I}_{(-\infty,1/2)}π1(θ)=I[0,1](θ)π1(θ)=I[0,1](θ)\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπ1δ1π\delta^\pi_1 Karşılaştırma veδπδπ\delta^\piδπ1δ1π\delta^\pi_1 İlk önce olduğunu fark ettim ve bunun olasılık olduğunu varsaydım, aksi …

9 self-study  bayesian  estimation  hierarchical-bayesian  loss-functions 

L2 kaybı, L0 ve L1 kaybı ile birlikte, posterior beklenen minimum kayıp ile posterior özetlenirken kullanılan üç yaygın "varsayılan" kayıp fonksiyonudur. Bunun bir nedeni belki de hesaplanması nispeten kolaydır (en azından 1d dağılımları için), L0 modda, L1 medyanda ve L2 ortalamadadır. Öğretirken, L0 ve L1'in makul kayıp fonksiyonları olduğu senaryolar …

9 bayes  teaching  decision-theory  loss-functions