Prowadzę badania na temat "logistykiRegresja "w uczeniu maszynowym. Rozumiem całą koncepcję, że stara się zmaksymalizować prawdopodobieństwo wystąpienia instancji należącej do konkretnej etykiety klasy
Algorytm, jeśli uruchomi się dla wielu iteracji, znajdziewektor wagowy, który oddziela przypadki, a następnie zwiększa wartość wektora wagowego. Nie rozumiem, dlaczego próbowałby zwiększyć wagę wektora wagowego
Każda pomoc będzie bardzo ważna!
Odpowiedzi:
1 dla odpowiedzi № 1Zgaduję, że twoje dane są rozłączne liniowo? IIRC, regresja logistyczna załamuje się w tym przypadku.Myślę, że jest to dobrze znany problem. tutaj (pierwsze trafienie w Google dla "danych separowanych regresji logistycznej"):
...Jednakże, gdy dane szkoleniowe można rozdzielić liniowo, występują dwie złe rzeczy: 1. | θ | idzie do nieskończoności; 2. Istnieje nieskończona liczba MLE. Aby to zobaczyć, zauważ, że każda funkcja krokowa (sigmoid z | θ | = ∞), która znajduje się w luce między dwiema klasami, to MLE
Jednym ze sposobów uniknięcia tego jest włączenie wcześniejszego θ w postaci zerowej średniej Gaussa z kowariancją 1 / (2λ) I
0 dla odpowiedzi nr 2
Myślę, że o to pytaszRegulacja w uczeniu maszynowym, Z mojego rozumienia tego wynika, że unika się zjawisk nazywanych przeuczeniem, tj. Gdy hipoteza pasuje do danych treningowych prawie idealnie kosztem podania słabej hipotezy dla danych testowych.
Mam nadzieję, że to pomoże w pewnym stopniu.