bodNaUvidima rješio ga je Šnajder na predavanju
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?
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.
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)})?
viliml w0 pokušavam izračunati preko ove formule iz P08 pdfa
Ako uzmem 3. potporni vektor sa oznakom y=+1, uvrstim u tu formulu dobijem w0 = 0.999998026, svakako predaleko od 0.95.
bodNaUvidima Da odgovorim sam sebi, imao sam brain fart i nisam koristio kernel funkciju nego samo mnozio dva vektora.
Jel ovo znaci da mozemo 2 pitanja krivo zaokruzit bez negativnih? Ili tocni odgovori nose 35/20 bodova, a krivi odgovori -⅓ * 35/20 ?
pp Rekao bih da dobiješ negativne ako krivo odgovoriš, sumnjam da bi ti dopustili da dvaput besplatno pogađaš. Ali da, ak odgovoriš na 21 pitanje točno onda možeš fulat jedno 😅
Ima ko postupak?
Reznox
Zna netko ovaj?
moze neki savjet oko ovakvih zadataka di se trazi broj parametara? krenem ja tu nesto brojat i dobijem neki broj al nikad ne dobim tocno rjesenje tak da mi ocito nesto fali
angello2 zadnji je rješio Medić, na identičan način se rješi i prvi. drugi je rješio tatica, isto na predavanju.
Uostalom, većina zadataka je rješena na predavanjima, a ona su sva su dostupna u repozitoriju na teamsu.
angello2 vidi Rene
ovaj? zašto?
studoš točan odg je C
studoš ja sam to shvatila ovako: model ima 6 svojih wj tezina. Imamo 5 fi j parametriziranih baznih funkcija gdje svaka ima n+1 tezina tj svaka ima 101 tezinu, jos dodatno imamo i tu fi 0 baznu funkciju koju na predavanju nismo parametrizirali pa onda imamo: 5*101 tezina baznih funkcija + 6 tezina modela= 511. Valjda…
steker Znači imamo 5 baznih funkcija koje preslikavaju na način da implementiraju logističku regresiju, dakle svaka 100 + 1 parametara? A što točno predstavlja \phi_0? Jel to simulira dummy značajku, as in \phi(x) = 1, pa nema parametara? Ima smisla, al ne vidim tu pretpostavku nigdje u skripti predavanja tho…
Dragi prijatelj strojnog učenja nez ja znam da je snajder reko kad je rjesavo slican zadatak da je to dogovorno jednako 1. Ali ocito bi trebalo simulirat nesto valjda kao prag u neuronskoj mrezi lmao
Dragi prijatelj strojnog učenja phi_0 je po dogovoru uvijek 1 to se sjecam da je nama govorio
Dragi prijatelj strojnog učenja phi_0 je 1, to je jasno kao dan, ali upitan je w0. Zato taj 101. parametar
