Machine Learning學習日記 — Coursera篇 (Week 4.3):Examples and Intuitions, MultiClass classification
Application
大綱
- Examples and Intuitions
- MultiClass classification
1. Examples and Intuitions
Why Neural Network can learn complex non-linear hypothesis?
假設今天要一個AND的hypothesis,參數為x1跟x2。
這代表只有當x1跟x2為1時,h(x)才會為1,其他時候只會輸出0
要怎麼設定θ才能達成我們要的條件呢?
我們可以透過真值表(truth table),藉由測試所有x1,x2的組合來驗證這個hypothesis
g(z)代表對 z 取sigmoid函數,就如下圖一樣,0<=z值<=1
當 z值趨近無限大時會使g(z)無限逼近 1,趨近無限小時會使g(z)無限逼近0
下圖就可以發現:當z為4.6時,g(z)就等於0.99了,非常靠近1
θ¹10代表第 1層(輸入層)的第0項單位與第二層的第1項單位間的權重
θ¹11代表第 1層(輸入層)的第1項單位與第二層的第1項單位間的權重
θ¹12代表第 1層(輸入層)的第2項單位與第二層的第1項單位間的權重
隨堂練習
Ans:
假設你已經理解了AND的函式,那麼你應該能夠理解以下三個boolean函式:(1) x1 AND x2 (2) (NOT x1) AND (NOT x2) (3) x1 OR x2
若要形成一個 x1 XNOR x2的函式的話,需要上圖所示的三種不同boolean函式。(不同顏色分別代表著不同的函式)
真值表:
隨堂練習
Ans:
上圖可以理解成,只有當x1,x2都為0才會輸出1
2. MultiClass classification
前面提到hypothesis只是輸出單個結果。
如果是要進行多重分類的話要怎麼表示?
假設我們要判斷圖形中的物體是行人、汽車、機車、卡車的話
與其輸出一個標籤(1=行人,2=汽車...),會使用一個向量(vertex)來表示結果:除了正確結果為1之外,其他皆為0
隨堂練習
Ans:
先將θ想像成是不同layer之間的連線數
layer 2有5個unit,加上隱藏起來的bias unit一共是6個
結果一共有十個結果(unit),因此連線數=6*10=60