2.人工智能原理-方差代价函数:知错

文章讲述了如何评估神经网络的误差,从平方误差的概念出发,讨论了均方误差作为误差函数的原因,并介绍了代价函数和最小二乘法。文章指出,当样本数量大时,正规方程的计算量过大,从而引出了常用的梯度下降优化方法。
摘要由CSDN通过智能技术生成

目录

       一、如何去评估误差?

        二、事物出现的频率收敛于它的概率

       三、代价函数:

       四、编程讲解

       五、总结

       六、往期内容


 

 

一、如何去评估误差?

       在上节课中,我们聊到McCulloch-Pitts神经元模型和rosenblatt感知器,最后我们说古老的rosenblat启发了现代神经网络的研究,但是其本身已经并不常用了。让我们来看看现代神经网络的实现方式。从rosenblatt感知器身上可以看出来参数的自适应调整,那是一个人工神经元的精髓,rosenblatt感知器已经给出了调整的详细方法,怎么看似乎都没有问题,但是总感觉差点意思,为什么它就该是这个样子?正所谓横看成岭侧成峰,远近高低各不同。让我们换个角度去看待这件事情,或许能更简单一点。首先问大家一个问题,我们该如何去评估误差?你的第一反应可能是差值,这是标准答案减去预测答案就是误差,这样好吗?这样不好。

       我们举个极端且简明的例子,假设样本只有两个豆豆,那么这时候预测曲线在这两个豆豆上的误差是多少?第一个的误差是0.15,第二个,是-0.15,所以预测曲线在两个动图上总体误差是零。误差是零,所以现在是完美预测?很明显不是。

这就是用差值评估预测误差的问题,差值有正负,所以相互之间会发生抵消作用机制。

       也许你会立马想到用差值的绝对值,因为面对误差比标准大0.15还是小0.15,其实和标准答案的差距都是0.15,我们并不关心正或者负。不错,是一个方法,用绝对值处理的误差叫做绝对差。但是绝对值在数学处理和编码处理上都不是特别的方便,于是人们提出了另外一种更好的误差评估方式,把差值取个平方,正负号也就消失了,这种误差也就是所谓的平方误差。很明显,我们对一批豆豆预测的结果和标准答案之间的平方误差越小,说明偏离事实越小,小蓝的思考也就越接近真相。

       我们可以打开本节课的可视化工具,随意的调整W的值,观察平方误差的变化。而我们知道,实际上是参数W决定了预测函数的样子。换句话说,每次W取不同的值,产生的误差也会不同。如果我们把误差和W之间的关系画出来,它是这样的一个曲线,好像一个开口向上的一元二次函数。没错,这是一个开口向上的一元二次函数,且慢,怎么证明它是一个开口向上的一元二次函

数?其实很简单,研究一组豆豆太麻烦了。不如我们先看一个豆豆,大小是0.4,毒性是0.68,那么小蓝的预测就是W*0.4,误差是这个样子。你看,这不就是一个标准的一元二次函数吗?W是自变量,B是因变量,A=0.16,B=-0.544,C=0.4624,非常标准的一个开口向上的一元二次函数。

       有的同学或许会问了,这只是一个豆豆,那么对于一组豆豆的误差?分析如下:

也就是说,对于任意一个大小和毒性的豆豆,它的预测误差和参数W的关系都是一个开口向上的抛物线,所以在一组豆豆上计算出来的整体误差还是不是一个

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
将97(负载为0): 驱动端: 最大值:0.311254 最小值:-0.286638 幅值:0.597892 一阶矩(均值):0.012558 二阶矩(方差):0.005283 三阶矩(偏度):-0.000014 四阶矩(峰度):0.000077 风扇端: 最大值:0.357491 最小值:-0.246135 幅值:0.603625 一阶矩(均值):0.031376 二阶矩(方差):0.006185 三阶矩(偏度):0.000067 四阶矩(峰度):0.000106 98(负载为1hp): DE: 最大值:0.317513 最小值:-0.345884 幅值:0.663397 一阶矩(均值):0.012564 二阶矩(方差):0.004245 三阶矩(偏度):-0.000048 四阶矩(峰度):0.000053 FE: 最大值:0.321947 最小值:-0.218193 幅值:0.540140 一阶矩(均值):0.032375 二阶矩(方差):0.004535 三阶矩(偏度):0.000039 四阶矩(峰度):0.000059 99(负载为2hp): DE: 最大值:0.359236 最小值:-0.326900 幅值:0.686136 一阶矩(均值):0.012261 二阶矩(方差):0.003987 三阶矩(偏度):-0.000042 四阶矩(峰度):0.000047 FE: 最大值:0.311675 最小值:-0.244285 幅值:0.555960 一阶矩(均值):0.031962 二阶矩(方差):0.004235 三阶矩(偏度):0.000035 四阶矩(峰度):0.000051 100(负载为3hp): DE: 最大值:0.283717 最小值:-0.306456 幅值:0.590173 一阶矩(均值):0.012459 二阶矩(方差):0.004185 三阶矩(偏度):-0.000035 四阶矩(峰度):0.000052 FE: 最大值:0.384816 最小值:-0.301402 幅值:0.686218 一阶矩(均值):0.031896 二阶矩(方差):0.005666 三阶矩(偏度):0.000006 四阶矩(峰度):0.000096制作成表格
05-23
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值