99精品伊人亚洲|最近国产中文炮友|九草在线视频支援|AV网站大全最新|美女黄片免费观看|国产精品资源视频|精彩无码视频一区|91大神在线后入|伊人终合在线播放|久草综合久久中文

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一種用于預(yù)測的算法——邏輯回歸

Dbwd_Imgtec ? 來源:未知 ? 作者:李倩 ? 2018-08-22 14:51 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

本章給大家介紹一種用于預(yù)測的算法——邏輯回歸(logistic regression)

給定一個輸入特征向量x(例如你想要識別的圖像——是否有貓),你需要一個算法進行計算之后進行結(jié)果輸出(在這里我們用的是邏輯回歸算法)。這個被輸出的預(yù)測結(jié)果我們稱為y^y^,假設(shè)y是1,如果預(yù)測得很準(zhǔn)的話y^y^可能會是0.99)。

上圖第一個公式中的x是個(n,1)維的矩陣,表示一個訓(xùn)練樣本,里面的n表示一個訓(xùn)練樣本中的特征數(shù)量,例如一張圖片就是一個訓(xùn)練樣本,圖片中每個顏色強度值就是一個特征;w也是一個(n,1)維的矩陣,它表示權(quán)重(weight),它一一對應(yīng)于每個輸入的特征,也可以說它指示了某個特征的重要程度;b是一個實數(shù),在這里可以將其看作為一個閥值。

如何理解w和b呢?

我舉個例子來幫助大家理解??梢园焉厦娴乃惴ㄟ^程看作是一種通過權(quán)衡輸入然后再做出決定的一個過程。假設(shè)周末即將到來,你聽說在你的城市將會有一個音樂節(jié)。你要決定是否去參加這個節(jié)日。你需要通過權(quán)衡3個因素(3個特征)來做出決定:1、天氣好嗎 2、你的女友是否愿意陪你去 3、舉辦地點離地鐵近嗎 這3個因素就對應(yīng)著上圖中的x1、x2,x3(它們是x這個訓(xùn)練樣本中的3個特征)。

我們可以給它們賦個值,如果天氣好,那么x1為1,否則為0,x2和x3雷同;假設(shè)你很討厭壞天氣,如果天氣不好,你就不會去參加這個節(jié)日,對其它兩個因素要求不高(這里假設(shè)你是個老司機,女人多得是,不怕冷落了女友)。那么我們分別給3個權(quán)重賦值為7,2,2。w1的值大很多,這表明天氣對你來說很重要,比你的女友是否愿意去,以及交通的便利性更重要。而b我們可以看作一個閥值,假設(shè)我們給b賦值為-5,那么也就是說,只要天氣好,即使女友不陪你去、交通也不方便,你也會去參加這個節(jié)日——x1 * w1 + x2 * w2 + x3 * w3 = 1 * 7 + 0 * 2 + 0 * 2 = 7(這里的*代表乘法)(我們這里先不考慮σ函數(shù)),而7 +(-5)> 0,結(jié)果是你會去那個音樂節(jié)。如果我們選擇不同的w和b值,那么對于同一個輸入x,會有不同的結(jié)果輸出。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的就是通過訓(xùn)練過程來得到這些w和b值(后面會教大家如何來訓(xùn)練得到它們)。這些w和b值可以讓神經(jīng)網(wǎng)絡(luò)得到一項判斷能力,一項預(yù)測能力——輸入一張圖片,神經(jīng)網(wǎng)絡(luò)根據(jù)訓(xùn)練好的w和b,通過上面的公式根據(jù)每個像素的值以及與其對應(yīng)的權(quán)重值以及閾值來判定這張圖里是否有貓。神經(jīng)網(wǎng)絡(luò)就是這樣來進行預(yù)測的。它和我們?nèi)祟惖乃伎挤绞绞且粯拥?。雖然我們?nèi)丝梢宰龀龇浅?fù)雜的判斷,但是基本原理是很簡單的。

人為什么能輕松分辨出一個圖片中是否有貓?因為我們?nèi)司褪且粋€巨型的神經(jīng)網(wǎng)絡(luò),這個神經(jīng)網(wǎng)絡(luò)里面包含了數(shù)億甚至更多的神經(jīng)元(上圖藍(lán)色的圓圈就表示一個神經(jīng)元),每個神經(jīng)元都可以接受多個輸入,在日常生活中,小孩子通過大人的教導(dǎo),不斷的看見貓,我們的神經(jīng)元對于這個輸入就形成了很多特定的w(權(quán)重),所以當(dāng)再次看見一個貓時,這個輸入(這個貓)與相應(yīng)的w聯(lián)合起來進行運算后,其結(jié)果就指示了這個輸入是一個貓。

下面再來說一下σ,它代表了sigmoid函數(shù),上面是它的定義公式以及圖形。我們?yōu)槭裁葱枰??在上面我們舉的去參加節(jié)日的例子中,我們得出的結(jié)果為2,其實對于不同的x和w值,結(jié)果可能會更大。所以這并不適用于二元分類問題,因為在二元分類問題中你想要得到的y^y^應(yīng)該表示一個概率,一個輸入是否等于它真實標(biāo)簽的概率(例如輸入的圖像里面是否有貓)。所以y^y^的值應(yīng)該在0和1之間。sigmoid函數(shù)的作用就是把計算結(jié)果轉(zhuǎn)換為0和1之間的值。通過看它的圖形就可以明白,往sigmoid函數(shù)里輸入的值z越大,那么y^y^就越靠近1,也就是里面有貓的概率就越大。

以上就是神經(jīng)網(wǎng)絡(luò)為什么能夠給出預(yù)測結(jié)果的大致原理。其實就像jack床長所說,“每個人都是一個巨型的神經(jīng)網(wǎng)絡(luò)”,只要我們善于反思、善于總結(jié)、善于學(xué)習(xí),每個人都會變得越來越強大,都能成就更好的自己。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4814

    瀏覽量

    103648
  • 算法
    +關(guān)注

    關(guān)注

    23

    文章

    4710

    瀏覽量

    95405

原文標(biāo)題:神經(jīng)網(wǎng)絡(luò)是如何給出預(yù)測結(jié)果的?

文章出處:【微信號:Imgtec,微信公眾號:Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    回歸預(yù)測之入門

    式子吧,不然看些相關(guān)的論文可就看不懂了,這個系列主要將會著重于去機器學(xué)習(xí)的數(shù)學(xué)描述這個部分,將會覆蓋但不定局限于回歸、聚類、分類等算法。回歸
    發(fā)表于 10-15 10:19

    基于邏輯回歸算法的乳腺癌腫瘤二分類預(yù)測

    ML之LoR:基于LoR(邏輯回歸)算法對乳腺癌腫瘤進行二分類預(yù)測(良惡性)
    發(fā)表于 06-18 07:06

    干貨 | 這些機器學(xué)習(xí)算法,你了解幾個?

    ,我們想要介紹另一種分類算法的方法,即通過機器學(xué)習(xí)所負(fù)責(zé)的任務(wù)來分類。 機器學(xué)習(xí)的任務(wù)1.回歸回歸一種用于建模和
    發(fā)表于 09-22 08:30

    回歸算法邏輯回歸的介紹

    回歸算法邏輯回歸
    發(fā)表于 05-21 16:25

    回歸算法有哪些,常用回歸算法(3)詳解

    邏輯回歸。另一種用于兩個或更多輸出變量的常見技術(shù)是 OneVsAll。對于多類型邏輯回歸,交叉熵
    發(fā)表于 07-28 14:36

    一種改進的模型預(yù)測直接轉(zhuǎn)矩控制算法

    為什么要提出一種改進的模型預(yù)測直接轉(zhuǎn)矩控制算法?改進的模型預(yù)測直接轉(zhuǎn)矩控制算法有哪些功能?
    發(fā)表于 07-06 07:45

    如何用C語言實現(xiàn)個簡單的元線性回歸算法

    今天我們用C語言實現(xiàn)個簡單的線性回歸算法;在代碼前面我們在回顧下線性回歸。線性回歸
    發(fā)表于 07-20 06:34

    使用KNN進行分類和回歸

    般情況下k-Nearest Neighbor (KNN)都是用來解決分類的問題,其實KNN是一種可以應(yīng)用于數(shù)據(jù)分類和預(yù)測的簡單算法,本文中
    發(fā)表于 10-28 14:44

    回歸滯后模型進行多變量時間序列預(yù)測案例分享

    wine。如何建立個模型來進行預(yù)測呢?  一種常見的方法是將該變量其視為單變量時間序列。這樣就有很多方法可以用來模擬這些系列。比如 ARIMA、指數(shù)平滑或 Facebook 的 Prophet,還有自
    發(fā)表于 11-30 15:33

    基于向量范數(shù)的局域加權(quán)回歸預(yù)測

    本文分析了基于關(guān)聯(lián)度的混沌序列局域加權(quán)線性回歸預(yù)測法的缺點與不足,提出了一種新的基于向量范數(shù)的混沌序列局域加權(quán)線性回歸預(yù)測法。該新方法在原
    發(fā)表于 12-30 12:00 ?12次下載

    一種新型的預(yù)測功能控制算法

    預(yù)測功能控制(Predictive FunctionalC ontrol,PF C)算法是模型預(yù)測控制(ModelP redictiveC ontrol,M PC)算法中的
    發(fā)表于 01-12 17:01 ?15次下載

    一種改進的梯度投影算法

    的技巧,提出了一種改進的梯度投影算法。該算法首先由常數(shù)步長的梯度投影產(chǎn)生預(yù)測點,再根據(jù)預(yù)測
    發(fā)表于 11-27 18:09 ?0次下載

    一種分步動態(tài)自回歸KPCA算法

    針對滑動窗自適應(yīng)核主元分析法KPCA)在處理參數(shù)敏感和緩慢劣化問題時存在的過適應(yīng)現(xiàn)象,容易產(chǎn)生漏報的問題,提出了一種分步動態(tài)自回歸KPCA算法。首先,借鑒動態(tài)數(shù)據(jù)矩陣思想,分步建立初始模型;然后,在
    發(fā)表于 12-19 14:48 ?0次下載

    一種快速幀內(nèi)預(yù)測選擇算法

    針對目前數(shù)字音視頻編解碼技術(shù)標(biāo)準(zhǔn)( AVS2)中幀內(nèi)預(yù)測模式判斷過程計算較為復(fù)雜,而如今超高清視頻的普及給編解碼系統(tǒng)帶來很大壓力的問題,提出了一種快速幀內(nèi)預(yù)測選擇算法。該
    發(fā)表于 12-29 16:05 ?0次下載

    一種基于SVR節(jié)點數(shù)據(jù)預(yù)測改進算法

    針對無線網(wǎng)絡(luò)中部分傳感器失效后無法進行有效或準(zhǔn)確預(yù)測節(jié)點信息的問題,提出了一種面向無線傳感網(wǎng)絡(luò)的節(jié)點數(shù)據(jù)預(yù)測算法。該算法是在支持向量回歸
    發(fā)表于 04-09 11:53 ?0次下載