Studoši

moze netko objasnit zasto je ovo C, a ne npr D

[obrisani korisnik]

D nije tocan jer se pozicija hiperravnine ne mijenja porastom vektora w, isto vrijedi i za udaljenost primjera od hipperavnine, mnozenje vektora skalarom ne utjece na udaljenost.

Ono što se mjenja je izlaz modela, h(x) i on raste proporcionalno porastom w.

Bi li u ovome zadatku isključili x4 jer je u zavisnosti s x3 (ako dobro razmisljam)?
Koliko bi bilo rješenje jer zbunjuje me ovo s parovima i trojkama kvadrata. Uzimamo li u obzir da npr. za par imamo mogucnost birati dva elementa od 6 mogucih ili od 12?

BillIK to su dva odvojena racuna, nisu u ovisnosti

reko bi da je x7 suvisan jer ga mozes izracunat iz ostalih podataka - imas ukupan iznos kredita i imas iznos otplacenih, ne treba ti podatak koliko je preostalih. istom logikom se moze maknut bilo koji od x5, x6, x7 - dovoljna su dva od ta tri.

BillIK

angello2

mozete li napisat postupak pls, ne kuzim nikako kako doc do rjesenja

tomekbeli420 Nije strogo nužno eksplicitno izračunati težine niti koristiti funkciju preslikavanja pošto se sve može prikazati preko unutarnjih produkata/jezgri, vidi viliml
Jedino je možda problem da ta formula vrijedi ako udaljenost postoji, možda se može reći da udaljenost ne postoji pa ta formula iako daje neki broj nije baš rigorozno točno zvati “udaljenost”?

endyyyy
Pretpostavljam da nisi stavila izraz -(wx + w0) u potenciju kod formule za h(x), vec samo -wx

V07 4. Zadatak: Svi poopćeni linearni modeli mogu se trenirati u “online” (pojedinačnom) načinu, primjernom
algoritma LMS. To vrijedi i za algoritam linearne regresije, za koji smo prvotno kao minimizaciju
kvadrata provodili računajući pseudoinverz matrice dizajna. Jedna od prednosti algoritma LMS
u odnosu na izračun pseudoinverza kod linearne regresije je manja računalna složenost LMS-a.
Neka E označava broj epoha, N je broj primjera, a m broj značajki u prostoru značajki. Koja je
(vremenska) računalna složenost algoritma LMS, primijenjenog na linearnu regresiju?

Iz predavanja:

Nije mi jasno zašto se pojavljuje izraz m, tj. koja operacija uzrokuje tu kompleksnost?
Je li to operacija preslikavanja \phi(x) ili izračun skalarnih produkta unutar izraza za ažuriranje težine w?

Matt Za svaku epohu, za svaki primjer, svaka težina se mora ažurirati.
Ovo u tvojoj drugoj slici je vektorska jednadžba koja je skraćeni prikaz za m zasebnih operacija.

Kak se ovo točno radi, tojest nije mi jasno odkud mi po dvije težine za x1 itd…

RickyMorty Ovaj zadatak je detaljno objašnjen na teams predavanjima.

zara Jel pronadeno rjesenje za ova dva zadatka?

Ovo je mi s materijala na studosima, u rj pise da je A tocno, jel to krivo ili? Ja nevidim kako nije C

gad_gadski

Grafički se lagano rijesi

tomekbeli420 Je si li uspio ovdje doci do njihovog rjesenja? Takoder mi h(x) ispada 1.06 x 10^{-3} + w0, a w0 mi ispada 0.999999 po njihovoj formuli.

bodNaUvidima rješio ga je Šnajder na predavanju

bodNaUvidima h(\mathbf x) ti je točan, kako računaš w0 da ti ispadne krivo? Trebao bi takav da je h(\mathbf x^{(i)})=y^{(i)}. Što dobiješ za h(\mathbf x^{(i)})?

Kako se ovo rjesava

steker značajke == klasifikatori, i onda kad napravis K, odnosno K povrh 2 vidiš da OVO ima duplo, a OVR lošije radi na “znanost” kategoriji jer je osjetljiv na class imbalance, odnosno ima jako malo primjera pa ih “trpa” u većinsku klasu i tako griješi

[obrisani korisnik] aha zbunjivalo me taj dio sa znacajkama

E zna netko?