JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 3. Вводим нелинейность: теперь не только взвешенные суммы
147
делениях натуральный логарифм заменить логарифмом по основанию 10? Как это 
повлияет на обучение и вывод бинарного и многоклассового классификаторов?
6. На основе псевдокода из листинга 3.4 напишите настоящий код на JavaScript 
для поиска гиперпараметров по сетке и воспользуйтесь им для оптимизации 
гиперпараметров для двухслойной модели поиска цен на бостонскую недвижи­
мость в листинге 3.1. А именно, подберите количество нейронов скрытого слоя 
и скорость обучения. Не бойтесь экспериментировать с диапазонами для поиска 
количества нейронов и скорости обучения. Обратите внимание, что специали­
сты по машинному обучению для такого поиска обычно используют идущие 
приблизительно в геометрической (логарифмической) прогрессии интервалы 
(например, количество нейронов = 2, 5, 10, 20, 50, 100, 200...).
Резюме
z
z
Задачи классификации отличаются от задач регрессии необходимостью дис­
кретных предсказаний.
z
z
Существует две разновидности классификации: бинарная и многоклассовая. При 
бинарной классификации заданный входной пример может относиться к одному 
из двух классов, а при многоклассовой — к трем или более.
z
z
Бинарную классификацию обычно можно рассматривать как задачу обнаруже­
ния событий определенного типа или важных для нас объектов — называемых 
позитивными — среди всех входных примеров данных. Благодаря этому для 
количественного выражения различных аспектов поведения бинарного клас­
сификатора, помимо безошибочности, можно использовать такие метрики, как 
точность, полнота и FPR.
z
z
В задачах бинарной классификации зачастую приходится соблюдать баланс 
между необходимостью найти все позитивные примеры данных и минимизи­
ровать число ложнопозитивных результатов (ошибочных срабатываний). Для 
количественного выражения и визуализации этого соотношения удобна кривая 
ROC вместе с сопутствующей ей метрикой AUC.
z
z
Последний (выходной) слой нейронной сети для бинарной классификации дол­
жен включать сигма­функцию активации, а в качестве функции потерь во время 
обучения следует применять бинарную перекрестную энтропию.
z
z
В предназначенных для многоклассовой классификации нейронных сетях выход­
ной целевой признак обычно кодируется с помощью унитарного представления. 
Они должны использовать многомерную логистическую функцию активации 
в выходном слое, а роль функции потерь при обучении должна играть категори­
альная перекрестная энтропия.
z
z
При многоклассовой классификации матрицы различий позволяют получить 
более подробную информацию о допускаемых моделью ошибках, чем дает ме­
трика безошибочности.

---

148