ارزیابی فرضه یادگیری

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

---

 قسمتی محتوی متن پاورپوینت : 

تعداد : 36 صفحه

ارزیابی فرضیه Instructor : Saeed Shiry مقدمه یک الگوریتم یادگیری استفاده داده اموزشی فرضیه بوجود میاورد .
قبل استفاده فرضیه ممکن لازم شود دقت فرضیه ارزیابی قرار گیرد. اینکار دو جهت اهمیت دارد: دقت فرضیه مثالهای نادیده حدس بزنیم. گاهی اوقات ارزیابی فرضیه جزئی الگوریتم یادگیری است: مثل حرس کردن درخت تصمیم.
روشهای اماری فصل سعی میشود روشهای اماری مناسب حدس زدن دقت فرضیه معرفی گردند.
مبنای کار جهت پاسخگوئی سه سوال زیر است: اگر دقت یک فرضیه داده محدودی معلوم باشد دقت سایر مثالها چه قدر خواهد بود؟
اگر یک فرضیه داده محدودی بهتر فرضیه دیگری عمل کند احتمال اینکه وضعیت حالت کلی صادق باشد چقدر است؟
وقتی داده اموزشی اندکی موجود باشد بهترین راه اینکه فرضیه یاد بگیریم دقت انرا اندازه گیری کنیم چیست؟
کمی داده اموزشی وقتی داده اموزشی محدود باشد امکان وجود دارد مثالها نشان دهنده توزیع کلی داده نباشند مشکل کمی داده وقتی یادگیری استفاده داده محدودی انجام میشود دو مشکل ممکن رخ دهند: Bias in the estimate دقت یک فرضیه مثالهای اموزشی تخمین مناسبی دقت مثالهای نادیده نیست.
زیرا فرضیه یاد گرفته شده اساس داده مثالهای اتی بصورت optimistic عمل خواهد نمود.
برای رهائی امر میتوان مجموعه داده تست استفاده کرد. Variance in the estimate حتی وجود استفاده مجموعه تست امکان وجود دارد خطای اندازه گیری شده خطای واقعی اختلاف داشته باشد Bias and Variance in the Estimate یک مثال یادگیری میتوان فضای مثالهای ورودی یک تابع توزیع احتمال نامعلوم D نظر گرفت احتمال رخداد هر نمونه x p(x) مشخص مینماید.
اینصورت دو سوال زیر مواجه هستیم: اگر فرضیه h تعداد n نمونه داشته باشیم بصورت تصادفی مثالهائی توزیع D انتخاب شده باشند، بهترین تخمین دقت h مثالهائی همان توزیع چیست؟
خطای احتمالی تخمین دقت چقدر است؟
تخمین دقت فرضیه خطای نمونه عبارت خطای فرضیه مجموعه مثالهای موجود ) اموزشی تست( خطای نمونه فرضیه h نسبت تابع هدف f داده نمونه s بصورت زیر بیان میشود: errors(h)= 1/n xS(f(x),h(x)) n تعداد مثالهای s ومقدار (f(x),h(x)) برابر 1 اگر f(x)  h(x)و غیر اینصورت برابر 0 است. خطای نمونه خطای واقعی خطای نمونه خطای واقعی خطای واقعی عبارت خطای فرضیه مجموعه تمام مثالهای توزیع نامعلوم D برابر احتمال اینکه یک نمونه تصادفی غلط دسته بندی شود. خطای واقعی فرضیه h نسبت تابع هدف f داده توزیع D بصورت زیر بیان میشود: errorD(h)= PrxD[f(x)  h(x)] انچه دست داریم خطای نمونه حالیکه انچه دنبال هستیم خطای واقعی است.
در اینصورت باید سوال پاسخ دهیم خطای نمونه چه حد میتواند تخمین خوبی خطای واقعی باشد؟<

  متن بالا فقط قسمتی پاورپوینت میباشد،شما بعد پرداخت انلاین ، فایل کامل فورا دانلود نمایید 

---

  لطفا نکات زیر هنگام خرید دانلود پاورپوینت:  توجه فرمایید.

• در مطلب، متن اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی مایل دریافت  تصاویری قبل خرید هستید، توانید پشتیبانی تماس حاصل فرمایید
• پس پرداخت هزینه ،ارسال انی پاورپوینت خرید شده ، ادرس ایمیل شما لینک دانلود فایل شما نمایش داده خواه شد
• در صورت  مشاهده  بهم ریختگی احتمالی متون بالا ،دلیل کپی کردن مطالب داخل میباشد ودر فایل اصلی پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی داری جدول عکس باشند متون پاورپوینت قرار نخواهند گرفت.
• هدف فروشگاه کمک سیستم اموزشی یادگیری ، علم اموزان میهن عزیزمان میباشد. 
  

---

  

 « پرداخت انلاین دانلود قسمت پایین »