Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja Nowa wersja Both sides next revision | ||
|
pl:dydaktyka:ml:lab6 [2016/04/14 10:26] esimon [Headline] |
pl:dydaktyka:ml:lab6 [2016/04/19 11:38] esimon [Funkcja kosztu] |
||
|---|---|---|---|
| Linia 25: | Linia 25: | ||
| Zastanów się co wpływa na jakość klasyfikacji: | Zastanów się co wpływa na jakość klasyfikacji: | ||
| - | * ilość neuronów w warstwie ukrytej, | + | * ilość neuronów w warstwie ukrytej? |
| - | * funkcja aktywacji neuronu, | + | * funkcja aktywacji neuronu? |
| * cechy, które podajemy na wejściu? | * cechy, które podajemy na wejściu? | ||
| - | * ilość danych wejśćiowych | + | * ilość danych wejśćiowych? |
| * współczynnik regularyzacji lub learning rate? | * współczynnik regularyzacji lub learning rate? | ||
| + | * ilość warstw ukrytych? | ||
| ===== Wstęp ===== | ===== Wstęp ===== | ||
| Linia 48: | Linia 49: | ||
| Wartość funkcji kosztu obliczany jest za pomocą wzoru: | Wartość funkcji kosztu obliczany jest za pomocą wzoru: | ||
| - | $$J(\theta)= \frac{1}{m}\sum_{i=1}^{m}\sum_{k=1}^{K}\left [ -y_k^{(i)}log((h_\theta(x^{(i)}))_k)-(1-u_k^{(i)})log(1-(h_\theta(x^{(i)}))_k \right ]$$ | + | $$J(\theta)= \frac{1}{m}\sum_{i=1}^{m}\sum_{k=1}^{K}\left [ -y_k^{(i)}log((h_\theta(x^{(i)}))_k)-(1-y_k^{(i)})log(1-(h_\theta(x^{(i)}))_k \right ]$$ |
| Gdzie $m$ to ilość przykładów w zbiorze uczącym, a $K$ to ilość etykiet (w naszym przypadku 10). | Gdzie $m$ to ilość przykładów w zbiorze uczącym, a $K$ to ilość etykiet (w naszym przypadku 10). | ||
