Studoši

zara

Iz poznate vrijednosti fje gubitka i proizvoljne oznake y možeš izračunati izlaz modela h(x), nakon toga pomoću izračunatog h(x) i suprotne vrijednosti y izračunaš gubitak.

[obrisani korisnik]

10-ak poruka iznad je postupak, evo
Dragi prijatelj strojnog učenja

Dragi prijatelj strojnog učenja To je jedan termin koje je definiran tek kasnije, vjerojatno su ga greškom stavili u tu vježbu.

zara Zamjena oznake znači invertiranje vjerojatnosti, pa se u gubitku zamjeni -log(p) sa -log(1-p). Dakle rješenje je -log(1-exp(-L)).

Ivančica
h \left(\mathbf{x}\right) = \mathbf{w}^{\mathrm{T}} \mathbf{x} + w_0

Vrijednosti \mathbf{w} i w_0 su pokazane izračunate gore u njegovom odgovoru, a primjeri \mathbf{x} su zadani u zadatku.

viliml

tomekbeli420

hvala puno, sad kužim

Ivančica to su izlazi modela
A s obzirom da smo našli težine \mathbf{w} = (0.02, 0, -0.03), i u zadatku nam je dan w_0 = -0.8, onda hipotezu možemo računati sa primarnom formulacijom modela, koji je običan linearan model
h \left(\mathbf{x}\right) = \mathbf{w}^{\mathrm{T}} \mathbf{x} + w_0
tako npr za primjer \left(\mathbf{x}^{(3)}, y^{(3)}\right) = \left((-2, 4, 1) , +1\right) izlaz modela je
h \left(\mathbf{x}^{(3)}\right) = (0.02, 0, -0.03) \cdot (-2, 4, 1) - 0.8 = -0.87

moze netko objasniti ovaj?

[obrisani korisnik] objasnio je papa na predavanju, možeš pogledati na teamsu, predavanje 11.3.2021, pred kraj negdje.

TLDR: aktivacijska funkcija ne utjece na linearnost granice, ono što treba zadovoljiti je da je preslikavanje obavljeno linearno, a to je slučaj za phi(x) = (1, x)

[obrisani korisnik] pročitaj dretvu viliml

Jel ima netko postupak i za ovo dvoje pliz🥺

zara U auditornim od logreg2 od 1:20 Snajder detaljno rj predzadnji, zadnji je nakon toga nacrtao, ali nije rekao tocan odg (njemu je bilo zacrnjeno 49 kao tocno, a nama je 45, vjv je greska).

zara Jel pronadeno rjesenje za ova dva zadatka?

Zna netko ovaj? Zasto najmanja greska nije 0, a najveca ⅚ (po formuli za empirijsku gresku, N=6 i racunamo da je sve krivo klasificirano 0.5+0.5+1+1+1+1) ?

Arya ako nacrtas vidjet ces da nisu linearno odvojivi tako da ces uvijek imati barem jedan krivo klasificirani, i uzmeš da je ovaj tip koji iznosi 0.5.

a za maksimalnu pogrešku: uvijek ćeš s neke strane ravnine imati barem jedan točan primjer

Arya Takve zadatke si moraš skicirati na kocki i onda dobiješ da su ti svi ovi pozitivni na 4 dijagonalna vrha, a negativni su na suprotnim stranama pa ih najbolje možeš odvojiti tako da ti se jedan negativni klasificira lažno pozitivno i onda je to 0.⅚, a max će ti biti kad je obrnuto i onda ćeš imati 4 lažno negativna i 1 lažno pozitivan pa dobiješ 4.⅚

jel se moze ovo rijesit bez da s onog grafa usporedbe pogadas tocnu decimalnu vrijednost

Kada piše da se značajke množe sa dva, pretpostavljam da se množe sve značajke osim dummy značajke?

Dragi prijatelj strojnog učenja da, w0 tretiraš posebno

Netko ima postupak?

gad_gadski predavanje na teamsu iz te lekcije Šnajder rješi isti zadatak samo druge brojke.

Jel zna itko ovaj?

Ja bi rekao da je rjesenje: najgori slucaj za OVO je kad se usporeduju 2 klase po 400. Buduci da pohranjujemo pola matrice bez dijagonale to je ukupno (400 puta 400 - 400)/2
OVR uvijek ukljucuje sve elemente: dakle to je (1000 puta 1000 - 1000)/2 pohranjenih elemenata

prvi broj / drugi broj je tocno 4 puta manji od pravog rjesenja… di grijesim?

ostaje.mi.to.sto.se.volimo Za OVO si uzeo samo jednu klasu, a trebalo bi usporediti dvije najveće pa dobiješ 800 primjera, a ne 400. I inače jedan tip za sve, veliku većinu tih zadataka sa ispita imate riješenih na teamsima na videu od tjedna gdje se to radilo ili na rekapitulaciji.

ostaje.mi.to.sto.se.volimo jel nebi za ovo trebala 800×800 matica da bi bila simetricna