প্রশ্ন ট্যাগ «loss-functions»

আমি একটি নিউরাল নেটওয়ার্ককে এন-ক্লাসে কয়েকটি সামগ্রীর শ্রেণিভুক্ত করার প্রশিক্ষণ দিচ্ছি। প্রতিটি বস্তু একই সাথে একাধিক শ্রেণীর (বহু-শ্রেণীর, মাল্টি-লেবেল) অন্তর্ভুক্ত থাকতে পারে। আমি পড়েছি যে বহু-শ্রেণীর সমস্যার জন্য সাধারণত সফটম্যাক্স এবং শ্রেণীবদ্ধ ক্রস এনট্রপিকে এমসির পরিবর্তে ক্ষতির ফাংশন হিসাবে ব্যবহার করার পরামর্শ দেওয়া হয় এবং কেন আমি কম-বেশি বুঝতে পারি। …

64 neural-networks  python  loss-functions  keras  cross-entropy 

প্রথমত, আমি বুঝতে পেরেছিলাম যে আমার যদি বাইনারি পূর্বাভাসের প্রয়োজন হয় তবে আমাকে একটি হট-এনকোডিংয়ের মাধ্যমে কমপক্ষে দুটি ক্লাস তৈরি করতে হবে। এটা কি সঠিক? তবে, বাইনারি ক্রস এনট্রপি কি কেবলমাত্র এক শ্রেণীর সাথে ভবিষ্যদ্বাণীগুলির জন্য? যদি আমি একটি শ্রেণীবদ্ধ ক্রস এনট্রপি ক্ষতি ব্যবহার করি যা সাধারণত বেশিরভাগ লাইব্রেরিতে (টেনসরফ্লোয়ের …

36 machine-learning  neural-networks  loss-functions  tensorflow  cross-entropy 

খরচ ফাংশন স্নায়ুর নেটওয়ার্ক হল , এবং এটি বলে দাবি করা হয় অ উত্তল । আমি কেন পুরোপুরি বুঝতে পারি না কেন যেহেতু আমি দেখতে পাচ্ছি যে এটি লজিস্টিক রিগ্রেশন ব্যয় ফাংশনের সাথে একেবারে সমান, ঠিক?J(W,b)J(W,b)J(W,b) যদি এটি নন-উত্তল হয়, তবে ২ য় অর্ডার ডেরিভেটিভ , ডান?∂J∂W&lt;0∂J∂W&lt;0\frac{\partial J}{\partial W} < …

36 neural-networks  loss-functions 

আমি মেশিন লার্নিং সম্পর্কে কোর্সেরায় অ্যান্ড্রু এনজি দ্বারা রৈখিক রিগ্রেশন সম্পর্কিত একটি বক্তৃতা দিয়ে কিছুটা বিভ্রান্ত হয়ে পড়েছি। সেখানে তিনি একটি ব্যয়ের কাজ দিয়েছেন যা স্কোয়ারের যোগফলকে হ্রাস করে: 12m∑i=1m(hθ(X(i))−Y(i))212m∑i=1m(hθ(X(i))−Y(i))2 \frac{1}{2m} \sum _{i=1}^m \left(h_\theta(X^{(i)})-Y^{(i)}\right)^2 আমি বুঝতে পারি যে where কোথা থেকে এসেছে। আমি মনে করি তিনি এটি এমনটি করেছিলেন যাতে …

32 regression  machine-learning  loss-functions 

"ক্ষতি" শব্দটি কি "ত্রুটির" প্রতিশব্দ? সংজ্ঞা আছে কি পার্থক্য? এছাড়াও, "ক্ষতি" শব্দের উত্স কী? নোট: এখানে উল্লিখিত ত্রুটি ফাংশনটি সাধারণ ত্রুটির সাথে বিভ্রান্ত হওয়ার দরকার নেই।

31 loss-functions 

আমি লজিস্টিক রিগ্রেশন এর জন্য ক্ষতির ফাংশনের প্রায় দুটি সংস্করণ পড়েছি, এর মধ্যে কোনটি সঠিক এবং কেন? থেকে মেশিন লার্নিং , ঝু zh (চীনা ভাষায়), সঙ্গে :β=(w,b) and βTx=wTx+bβ=(w,b) and βTx=wTx+b\beta = (w, b)\text{ and }\beta^Tx=w^Tx +b l(β)=∑i=1m(−yiβTxi+ln(1+eβTxi))(1)(1)l(β)=∑i=1m(−yiβTxi+ln⁡(1+eβTxi))l(\beta) = \sum\limits_{i=1}^{m}\Big(-y_i\beta^Tx_i+\ln(1+e^{\beta^Tx_i})\Big) \tag 1 আমার কলেজ কোর্স থেকে :zi=yif(xi)=yi(wTxi+b)zi=yif(xi)=yi(wTxi+b)z_i = y_if(x_i)=y_i(w^Tx_i + …

31 logistic  loss-functions 

আমি আমার সমস্যাটি একটি উদাহরণ দিয়ে ব্যাখ্যা করব। ধরুন আপনি কোনও ব্যক্তির আয়ের ভবিষ্যদ্বাণী করতে চান এমন কয়েকটি বৈশিষ্ট্য দেওয়া হয়েছে: {বয়স, লিঙ্গ, দেশ, অঞ্চল, শহর} আপনার মতো প্রশিক্ষণ ডেটাসেট রয়েছে train &lt;- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, …

29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

উদাহরণস্বরূপ, উপর XGBoost মডেল উদ্দেশ্য ফাংশন নিতে 'ম পুনরাবৃত্তির:ttt L(t)=∑i=1nℓ(yi,y^(t−1)i+ft(xi))+Ω(ft)L(t)=∑i=1nℓ(yi,y^i(t−1)+ft(xi))+Ω(ft)\mathcal{L}^{(t)}=\sum_{i=1}^n\ell(y_i,\hat{y}_i^{(t-1)}+f_t(\mathbf{x}_i))+\Omega(f_t) যেখানে ক্ষতি ফাংশন, হয় 'ম গাছ আউটপুট এবং নিয়মিতকরণ হয়। দ্রুত গণনার জন্য (অনেকগুলি) গুরুত্বপূর্ণ পদক্ষেপগুলির মধ্যে একটি হল আনুমানিক:ℓℓ\ellftftf_ttttΩΩ\Omega L(t)≈∑i=1nℓ(yi,y^(t−1)i)+gtft(xi)+12hif2t(xi)+Ω(ft),L(t)≈∑i=1nℓ(yi,y^i(t−1))+gtft(xi)+12hift2(xi)+Ω(ft),\mathcal{L}^{(t)}\approx \sum_{i=1}^n\ell(y_i,\hat{y}_i^{(t-1)})+g_tf_t(\mathbf{x}_i)+\frac{1}{2}h_if_t^2(\mathbf{x}_i)+\Omega(f_t), যেখানে এবং হ্রাস ফাংশনের প্রথম এবং দ্বিতীয় ডেরাইভেটিভ।gigig_ihihih_i আমি যা জিজ্ঞাসা করছি তা হল উপরোক্ত আনুমানিকতা কেন কাজ …

28 optimization  loss-functions  boosting  xgboost  taylor-series 

আমরা জানি যে কিছু উদ্দেশ্যমূলক ক্রিয়াগুলি অনুকূলিতকরণ করা সহজ এবং কিছু শক্ত। এবং এমন অনেক ক্ষতির ফাংশন রয়েছে যা আমরা ব্যবহার করতে চাই তবে ব্যবহার করা শক্ত, উদাহরণস্বরূপ 0-1 ক্ষতি। কাজটি করার জন্য আমরা কিছু প্রক্সি ক্ষতি ফাংশন পাই। উদাহরণস্বরূপ, আমরা "আনুমানিক" 0-1 ক্ষতিতে কব্জি ক্ষতি বা লজিস্টিক ক্ষতি ব্যবহার …

27 machine-learning  classification  optimization  loss-functions 

যখন একটি পিক্সেল সেগমেন্টেশন নিউরাল নেটওয়ার্কগুলি যেমন সম্পূর্ণ কনভোলিউশনাল নেটওয়ার্কগুলি প্রশিক্ষণ দেওয়া হয়, তখন আপনি ডাইস-কোয়ালিটি লোকস ফাংশন বনাম ক্রস-এনট্রপি লোকসান ফাংশন ব্যবহার করার সিদ্ধান্তটি কীভাবে গ্রহণ করবেন? আমি বুঝতে পারি এটি একটি ছোট প্রশ্ন, তবে অন্যান্য তথ্য কী সরবরাহ করবে তা পুরোপুরি নিশ্চিত নয়। আমি দুটি লোকস ফাংশন সম্পর্কে …

27 neural-networks  loss-functions  cross-entropy 

আমার প্রশিক্ষণের ক্ষতি হ্রাস পায় এবং তারপরে আবারও চলে যান। এটা খুব অদ্ভুত। ক্রস-বৈধতা হ্রাস প্রশিক্ষণ ক্ষতি ট্র্যাক। কি হচ্ছে? আমার দুটি নীচে স্ট্যাকড এলএসটিএমএস রয়েছে (কেরাসে): model = Sequential() model.add(LSTM(512, return_sequences=True, input_shape=(len(X[0]), len(nd.char_indices)))) model.add(Dropout(0.2)) model.add(LSTM(512, return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(len(nd.categories))) model.add(Activation('sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adadelta') আমি এটি 100 টি যুগের জন্য প্রশিক্ষণ দিচ্ছি: …

26 machine-learning  neural-networks  loss-functions  lstm 

আমি মৌলিক গ্রেডিয়েন্ট বংশোদ্ভূতিকে প্রয়োগ করার চেষ্টা করছি এবং আমি এটি হিন্জ লস ফাংশন অর্থাৎ । তবে, কব্জির ক্ষতির lossালু সম্পর্কে আমি বিভ্রান্ত। আমি এটা যে ছাপ অধীনঠকবজা= সর্বোচ্চ ( 0 , 1 - y) x ⋅ ডাব্লু )lhinge=max(0,1−y x⋅w)l_{\text{hinge}} = \max(0,1-y\ \boldsymbol{x}\cdot\boldsymbol{w}) ∂∂Wঠকবজা= { - y এক্স0যদি y x …

25 loss-functions 

আমি কোয়ান্টাইল রিগ্রেশন বোঝার চেষ্টা করছি, তবে একটি জিনিস যা আমাকে ভোগ করে তা হ'ল লস ফাংশনের পছন্দ। ρτ( u ) = u ( τ )- 1{ আপনি &lt; 0 })ρτ(u)=u(τ−1{u&lt;0})\rho_\tau(u) = u(\tau-1_{\{u<0\}}) আমি জানি যে the এর সর্বনিম্ন প্রত্যাশা গুণমানের সমান , তবে এই ফাংশনটি দিয়ে আরম্ভ করার স্বজ্ঞাত …

24 quantiles  loss-functions  quantile-regression 

সমস্যা রিগ্রেশনে সাধারণত কোনও নমুনার জন্য গড় স্কোয়ার ত্রুটি (এমএসই) গণনা করা হয় : একটি ভবিষ্যদ্বাণীকের গুণমান পরিমাপ করতে।এমএসই = 1এনΣi = 1এন( ছ( এক্সআমি) - ছˆ( এক্সআমি) )2MSE=1n∑i=1n(g(xi)−g^(xi))2 \text{MSE} = \frac{1}{n} \sum_{i=1}^n\left(g(x_i) - \widehat{g}(x_i)\right)^2 এই মুহুর্তে আমি একটি রিগ্রেশন সমস্যা নিয়ে কাজ করছি যেখানে লক্ষ্য নির্ধারণ করা মূল্যের মূল্য …

24 regression  error  loss-functions 

সুতরাং আমাকে একটি প্রশ্ন জিজ্ঞাসা করা হয়েছিল যার ভিত্তিতে এল 1 (অর্থাত্ লাসো) এবং এল 2 (অর্থাত্ রিজ রিগ্রেশন) কী পরিমাণে পরিমাপ করে। উত্তরটি এল 1 = মিডিয়ান এবং এল 2 = গড়। এটিতে কোনও ধরণের স্বজ্ঞাত যুক্তি রয়েছে কি? নাকি এটি বীজগণিতভাবে নির্ধারণ করতে হবে? যদি তা হয় তবে …

24 lasso  regularization  loss-functions  ridge-regression