タグ付けされた質問 「machine-learning」

私は階層的強化学習問題を研究しており、多くの論文がポリシーを学習するためのアルゴリズムを提案していますが、それらはすべて、ドメイン内のアクションの階層を説明するグラフ構造を事前に知っていると想定しているようです。たとえば、Dietterichによる階層的強化学習のMAXQメソッドは、単純なタクシードメインのアクションとサブタスクのグラフを記述しますが、このグラフがどのように発見されたかは記述していません。ポリシーだけでなく、このグラフの階層をどのように学習しますか？ 言い換えると、紙の例を使用して、タクシーが無意識に運転していて、世界についての予備知識がほとんどなく、原始的な左移動/右移動などのアクションのみを実行する場合、次のようなより高いレベルのアクションをどのように学習しますか？乗車客？論文を正しく理解している場合（そうでない場合もあります）、これらの高レベルのアクションのポリシーを更新する方法は提案されていますが、そもそもそれらがどのように形成されているかは提案されていません。

9 machine-learning 

データの予測に使用する予定のサンプルサイズ「N」を提供しました。データの一部を使用してモデルを確立し、残りのデータを使用してモデルを検証するために、データを分割する方法にはどのようなものがありますか？ 私はこれに対する白黒の答えがないことを知っていますが、いくつかの「経験則」または通常使用される比率を知ることは興味深いでしょう。大学に戻って、私たちの教授の1人が60％でモデルを言い、40％で検証することを知っていました。

9 machine-learning  modeling  sample  validation 

ご存じのように、クロス検証には2つの一般的なタイプがあります。K-foldとランダムサブサンプリングです（Wikipediaで説明）。それにもかかわらず、KフォールドCVとして記述されているものが実際にランダムなサブサンプリングである論文を作成し、出版している研究者がいることを知っています。そのため、実際には、読んでいる記事の内容が実際にはわかりません。 通常、違いは目立たないため、私の質問にも当てはまります。あるタイプの結果が別のタイプの結果と大幅に異なる場合の例を考えることができますか？

9 machine-learning  cross-validation 

機械学習のコンテキストで、wikiに損失関数の定義が見つかりませんでした。 これはあまり正式ではありませんが、十分に明確です。 基本的に、損失関数は信じられないほど単純です。これは、アルゴリズムがデータセットをどれだけうまくモデル化しているかを評価する方法です。予測が完全にオフの場合、損失関数はより高い数値を出力します。それらがかなり良い場合、より低い数を出力します。アルゴリズムの一部を変更してモデルを改善しようとすると、損失関数は、どこかに到達したかどうかを通知します。 と思われるKNNのエラーレートが、そのような勾配法など自体が最適化モデルを導く可能性が関数ではありません。 では、KNNには損失関数がありますか？

9 machine-learning 

私の質問は、バイナリ分類についてです。たとえば、良い顧客と悪い顧客を区別しますが、回帰や非バイナリ分類はそうではありません。このコンテキストでは、ランダムフォレストは分類木の集合です。各観測について、すべての木が「はい」または「いいえ」に投票し、すべての木の平均投票が最終的な森林確率です。 私の質問は、基になるツリーの動作を変更することです。RのrandomForestパッケージのrandomForest関数を変更して、各ツリーがバイナリのyes / noではなく10進数に投票するようにするにはどうすればよいですか。10進数の意味をよりよく理解するために、決定木がどのように機能するかを考えてみましょう。 完全に成長したディシジョンツリーのターミナルノードには、1つの良いインスタンスまたは1つの悪いインスタンスがあります。ターミナルノードのサイズを100に制限するとします。ターミナルノードは次のようになります。 Node1 = 80不良、20良好 Node2 = 51不良、49良好 Node3 = 10不良、90良好 Node1とNode2が「悪い」と投票したとしても、「悪さの強さ」は大きく異なります。それが私の狙いです。1または0（デフォルトの動作）を生成する代わりに、Rパッケージを変更して、80 / 100、51 / 100、10 / 100などに投票できますか？

9 r  machine-learning  classification  random-forest 

私は、Scikit-LearnとTensorFlowを使用した実践的な機械学習：インテリジェントシステムを構築するための概念、ツール、テクニックを読んでいます。次に、アンサンブルベースのメソッドのコンテキストで、ハード投票とソフト投票の違いを理解できません。 本からそれらの説明を引用します。上から2つ目の画像はハード投票の説明で、最後の1つはソフト投票の画像です。 私の見解では、ハード投票は多数決ですが、ソフト投票と、ソフト投票がハード投票よりも優れている理由はわかりません。誰かが私にこれらを教えますか？ 私が読んだ投稿

9 machine-learning  ensemble 

このhttps://cs231n.github.io/neural-networks-case-study/で、「Softmax分類器はffのすべての要素を3つのクラスの（非正規化された）ログ確率を保持していると解釈する」と述べているのはなぜですか。 なぜそれが非正規化されているのか理解できますが、なぜログなのかわかりませんか？対数確率とはどういう意味ですか？ なぜ正規化されていない確率を言うだけではないのですか？

9 machine-learning  neural-networks  information-theory  softmax 

私はScikit学習を使用してSVMバイナリ分類器をトレーニングしています。 私の問題の性質上、私は偽陰性を避ける必要があります。何も無料ではないので、偽陰性の数を減らすために偽陽性率を高くしても大丈夫です。どうすればそれができますか（理想的にはScikit学習で） つまり、SVM分類器を使用して偽陰性を最小限に抑えるにはどうすればよいでしょうか。偽陰性よりも偽陽性を優先するためにハイパーパラメータを調整する方法はありますか？

9 machine-learning  cross-validation  svm  python  scikit-learn 

私のコンピューターでニューラルネットワークをトレーニングするプログラムを作成しようとしています。問題のネットワークでは、クロスエントロピーエラー関数を使用することにしました。 E= − ∑jtjlnojE=−∑jtjln⁡ojE = -\sum_jt_j\ln o_j ここで、はNeuron jのターゲット出力であり、o jはそのニューロンの出力であり、t jを予測しようとします。tjtjt_jjjjojojo_jtjtjt_j 私が何を知りたい、いくつかのニューロンのためであるJ。私の直感（プラス微積分の私の限られた知識）この値がなければならないことを信じるように私を導く-トンのJδEδojδEδoj\frac{\delta E}{\delta o_j}jjj。− tjoj−tjoj-\frac{t_j}{o_j} ただし、これは正しくないようです。クロスエントロピーは、o j = e z jのように、softmax関数と併用されることがよくあります。ここで、zはソフトマックスレイヤー内のすべてのニューロンへの入力のセットです（ここを参照）。oj= ezjΣkezkoj=ezj∑kezko_j = \frac{e^{z_j}}{\sum_ke^{z_k}} このファイル、私はそれを集める：δojδzj= oj（1 − oj）δojδzj=oj(1−oj)\frac{\delta o_j}{\delta z_j} = o_j(1 - o_j) よると、この質問： しかし、私の以前の推測と、この競合δEδEδzj= tj− ojδEδzj=tj−oj\frac{\delta E}{\delta z_j} = t_j - o_j。どうして？δEδojδEδoj\frac{\delta E}{\delta o_j} 。⇒δEJδEjδzj= δEjδojδojδzjδEjδzj=δEjδojδojδzj\frac{\delta E_j}{\delta z_j}=\frac{\delta …

9 machine-learning  neural-networks  derivative  cross-entropy  differential-equations 

私の実験で頻繁に発生する問題は、アルゴリズムのランダムな状態が変更されるとモデルのパフォーマンスが変化することです。質問は簡単です。ランダムな状態をハイパーパラメータとしてとるべきですか？何故ですか？モデルが異なるランダム状態で他のモデルよりも優れている場合、モデルを特定のランダム状態に適合しすぎていると見なす必要がありますか？ sklearnの決定木のログ：（random_rateはランダムな状態である必要があります）

9 machine-learning  scikit-learn 

10000の正の例と50000の負の例で構成されるデータにラベルを付け、合計60000の例を示しています。明らかに、このデータは不均衡です。 ここで、検証セットを作成し、データの10％を使用して作成したいとします。私の質問は次のとおりです： 検証セットが不均衡であることを確認する必要がありますか（トレーニングセットの真の分布への同意として）、または検証セットが均衡していることを確認する必要がありますか？したがって、たとえば、私の検証セットは、 10％の正の例+ 10％の負の例で、1000 +および5000-の例を示します。（この検証セットは、元のデータの不均衡を反映しています）。 または、検証セットは、たとえば10％が正で1000+を与え、（10/5 = 2％）が負で1000-の例も与えられるようにすべきでしょうか？ （テストセットについても同じ質問です）。 不均衡なデータでトレーニングする方法については多くの方法があるようですが、私の検証セットが元の不均衡を反映すべきかどうかについてのベストプラクティスを見つけるための場所はどこにもありません。最後に、相互検証は行っていません。単一の検証セットとニューラルネットワークを使用します。 ありがとう！

9 machine-learning  neural-networks  cross-validation  dataset  unbalanced-classes 

アイテムベースの協調フィルタリングと市場ベースの分析の基本的な違いは何ですか？後者は前者の特殊なケースですか？

9 machine-learning  recommender-system 

セマンティックセグメンテーションペーパーとそれに対応する実装を読んでいると、ソフトレベルを使用するアプローチもあれば、ピクセルレベルのラベリングにシグモイドを使用するアプローチもあることがわかりました。 たとえば、u-netペーパーの場合、出力は2つのチャネルを持つ機能マップです。 これらの2つのチャネル出力でsoftmaxを使用する実装をいくつか見ました。以下の理解が正しいかどうかわかりません。 説明のために、マスクされた部分はクラス1に属し、他の部分はクラス2に属しています。私は、マスクまたは非マスクの2つのクラスのみを想定しています。 xy出力マップを形状（1、image_row、image_col、2）で表すために使用します。次に、xy[1,0,0,0]クラス1に属する（0,0）xy[1,0,0,1]のピクセルの確率を表しますが、クラス2に属するピクセル（0,0）の確率を表します。xy[1,row,col,0]+xy[1,row,col,1]=1 私の理解は正しいですか？

9 machine-learning  deep-learning  computer-vision  tensorflow 

休業。この質問には、より焦点を当てる必要があります。現在、回答を受け付けていません。 この質問を改善してみませんか？質問を更新して、この投稿を編集するだけで1つの問題に焦点を当てます。 3年前休業。 データの変動性に似たアプローチやその他のアプローチの増加にもかかわらず、「アルゴリズムとしての」ランダムフォレストは、不均衡なデータ分類の優れたオプションと見なすことができますか？

9 machine-learning  classification  data-mining  supervised-learning  statistical-learning 

私は現在、ロジスティック回帰について研究しています。しかし、切片（）と係数（）の計算に行き詰まっています。インターネットで探していましたが、Microsoft ExcelまたはRの組み込み関数を使用したチュートリアルしか取得していません。MaximumLikelihoodで解決できると聞いたのですが、使い方がわからないので統計的背景がない。係数を手動で計算するための簡単な説明とシミュレーションを誰かに教えてもらえますか？β0β0\beta_0β1β1\beta_1

9 regression  machine-learning  logistic  maximum-likelihood