Theo Wikipedia , chức năng kích hoạt của một nút xác định đầu ra của nút đó với một đầu vào hoặc một tập hợp các đầu vào dưới dạng mạng nơ-ron nhân tạo. Một mạch tích hợp tiêu chuẩn có thể được coi là một mạng kỹ thuật số gồm các chức năng kích hoạt có thể “BẬT” (1) hoặc “TẮT” (0), tùy thuộc vào đầu vào.
Đang xem: Sigmoid là gì
Có nhiều loại chức năng kích hoạt khác nhau
· Binary Step · Linear · Sigmoid · Tanh · ReLU · Leaky ReLU · Parameterised ReLU · Exponential Linear Unit · Swish · Softmax
Hôm nay, chúng ta sẽ thảo luận thêm về loại kích hoạt phổ biến, hàm sigmoid.
Chức năng Sigmoid là gì?
Hàm sigmoid là một hàm toán học có đường cong đặc trưng hình chữ “S”, biến đổi các giá trị giữa phạm vi 0 và 1. Hàm sigmoid còn được gọi là đường cong sigmoidal hoặc hàm logistic. Nó là một trong những chức năng kích hoạt phi tuyến tính được sử dụng rộng rãi nhất.
Biểu thức toán học cho sigmoid:
Hình 1. Đạo hàm và tích phân của hàm Sigmoid
Đồ thị
Hình 2. Đồ thị của hàm Sigmoid
Trong đồ thị trên, nếu giá trị của x đi đến dương vô cùng thì giá trị dự đoán của y sẽ trở thành 1 và nếu nó đi đến âm vô cùng thì giá trị dự đoán của y sẽ trở thành 0.
Tôi giả sử bạn biết hồi quy logistic, là thuật toán phổ biến được sử dụng để phân loại nhị phân hoặc khi giá trị của biến mục tiêu có bản chất phân loại. Hàm logit hoặc sigmoid được sử dụng để dự đoán xác suất của một kết quả nhị phân. Ví dụ: chúng tôi sử dụng hồi quy logistic để phân loại trong phát hiện spam, phát hiện gian lận, v.v.
Hãy cùng xem qua một trong những ví dụ về việc triển khai Logistic Regression trong Python.
Đầu tiên, chúng ta phải nhập các thư viện cần thiết.
chúng ta hãy tải bộ dữ liệu, hôm nay chúng ta sẽ sử dụng với một số bác sĩ trên bệnh nhân đau tim. Chúng tôi đã sao chép dữ liệu từ đây vào trang tính excel.
Mục tiêu của chúng tôi là dự đoán liệu bệnh nhân có bị cơn đau tim thứ hai trong vòng 1 năm hay không (yes = 1). Chúng tôi có hai biến độc lập; một là liệu bệnh nhân có hoàn thành một đợt điều trị bao gồm các phương pháp kiểm soát cơn tức giận hay không (có = 1). IV còn lại là điểm trên thang điểm về đặc điểm lo lắng (điểm cao hơn có nghĩa là lo lắng hơn).
Tôi giả sử bạn có hiểu biết cơ bản về việc đào tạo bộ dữ liệu. Bây giờ, chúng ta sẽ sử dụng hàm “train_test_split” trong Scikit-learning để chia dữ liệu thành các phần đào tạo và kiểm tra.
Chúng tôi đã sử dụng StandardScaler từ Scikit-Learn để chia lại tỷ lệ dữ liệu mang lại các giá trị có thể có phạm vi hoặc đơn vị cực kỳ khác nhau.
Xem thêm: download diablo 2
Bây giờ, chúng ta sẽ nhập thuật toán hồi quy logistic từ sci-kit-learning và cấp dữ liệu vào hồi quy logistic và sau đó tạo một phiên bản của trình phân loại và phù hợp với dữ liệu đào tạo.
Khi chúng tôi đào tạo và phù hợp với dữ liệu, chúng tôi sẽ có thể thấy hệ số và hệ số chặn cho biến tương ứng.
Dưới đây là z (phương trình) trong hàm sigmoid với hệ số và hệ số chặn tương ứng.
Tính z cho biến khác nhau cho dữ liệu thử nghiệm bằng cách sử dụng một phương trình ở trên.
Thậm chí, chúng ta có thể lấy hàm quyết định hoặc z, chúng ta đã tính toán ở trên với hàm quyết định từ biến logistic_clf.
Chúng ta sẽ định nghĩa hàm sigmoid như bên dưới.
Chúng ta đã biết rằng hàm sigmoid sẽ chuyển đổi giá trị thực giữa 0 và 1. Chúng ta có thể kiểm tra kịch bản đó với hàm này với z hoặc hàm quyết định được tính toán của chúng ta. Ví dụ: chúng tôi tính toán z1 là -1.061 không nằm giữa 0 và 1. Dưới đây, chúng tôi có thể thấy nó đã được chuyển đổi thành 0,052.
Ngoài ra, chúng ta có thể sử dụng lớp Pred_prob:
Ở đây, chúng tôi sử dụng hàm sigmoid hoặc hàm logit để ánh xạ các giá trị dự đoán với xác suất. Các hàm sẽ ánh xạ bất kỳ giá trị thực nào thành một giá trị khác sẽ nằm trong khoảng từ 0 đến 1 hoặc nói cách khác là dự đoán xác suất.
Ranh giới quyết định
Điều gì sau khi chuyển đổi thành giá trị xác suất, từ hàm sigmoid của chúng tôi? Để ánh xạ lớp nhị phân, chúng tôi sẽ quyết định một số giá trị ngưỡng, thay đổi theo trường hợp sử dụng, để phân loại các giá trị thành hai loại khác nhau. Ngưỡng phổ biến là 0,5.
Hình 3. Ranh giới quyết định cho dự đoán
Đưa ra dự đoán
Sử dụng kiến thức của chúng tôi về các hàm sigmoid và ranh giới quyết định, bây giờ chúng tôi có thể viết một hàm dự đoán. Một hàm dự đoán trong hồi quy logistic trả về xác suất quan sát của chúng ta là dương, Đúng hoặc “Có”.
Xem thêm: Là Gì? Cách Chọn Mua Tủ Rack 19” Là Gì? Hướng Dẫn Lựa Chọn Tủ Rack Phù Hợp? ?
Ví dụ: nếu ngưỡng của chúng tôi là 0,5 và chức năng dự đoán của chúng tôi trả về .7, chúng tôi sẽ phân loại quan sát là một người sẽ bị đau tim lần thứ hai với 70% khả năng. Nếu dự đoán của chúng tôi là .2, chúng tôi sẽ phân loại quan sát là một người sẽ bị đau tim lần thứ hai với 20% cơ hội. Khi xác suất tiến gần đến 1, mô hình của chúng tôi càng tin tưởng rằng quan sát là tích cực.
Bây giờ, bạn có thể hiểu cách hàm sigmoid được sử dụng trong hồi quy logistic và một số phép toán đằng sau nó. Nếu bạn có một số nhận xét hoặc phản hồi, xin vui lòng bình luận. Cảm ơn bạn đã đọc!
Japanese Spanish German French Thai Portuguese Russian Vietnamese Italian Korean Turkish Indonesian Polish Hindi
Suggested posts
Hướng dẫn cho người mới bắt đầu về mạng thần kinh nhân tạo
Tổng quan khái niệm ngắn gọn
Với mỗi ngày trôi qua, số lượng người trong Khoa học dữ liệu ngày càng tăng. Đáng chú ý, lĩnh vực Học sâu là một điểm nói chuyện thiết yếu của cộng đồng Khoa học dữ liệu.
Tin tức về Học máy của Akira – #Week 11, 2021
※ Ngày xuất bản của bài báo hoặc bài báo không nhất thiết phải cùng một tuần. Giấy / Tin tức nổi bật trong tuần này.
Related posts
Thành phần kỳ diệu của Spotify: Máy học
Tuyên bố từ chối trách nhiệm: Bài viết này không được liên kết với Spotify và có thể bao gồm thông tin chưa được xác nhận về Spotify và các cấu trúc trước đây có thể không liên quan hiện tại. Âm nhạc là một hình thức biểu đạt, một hình thức nghệ thuật và một hoạt động văn hóa nói chung.
Bốn bài báo học sâu cần đọc vào tháng 2 năm 2021
Từ khoa học thần kinh đến phân biệt tự động, lý thuyết mạng thần kinh & trang bị phù hợp trong quy trình thần kinh Bạn đang muốn có cái nhìn tổng quan hơn về các luồng nghiên cứu Học sâu khác nhau hiện đang được theo đuổi? Bạn có quá nhiều tab arXiv đang mở để lướt qua một cách hợp lý không? Quá ít thời gian để xem toàn bộ video? Giá như có một bản tóm tắt nhanh ý tưởng và khái niệm chính của một bài báo. Sau đó, tôi rất vui khi giới thiệu loạt bài “Máy học-Cắt dán”.
Biểu đồ mạng chú ý dưới nâng cao
Hướng dẫn từng bước từ Math đến NumPy
Graph Neural Networks (GNN) đã nổi lên như một hộp công cụ tiêu chuẩn để học từ dữ liệu đồ thị. GNN có thể thúc đẩy cải tiến cho các vấn đề có tác động lớn trong các lĩnh vực khác nhau, chẳng hạn như đề xuất nội dung hoặc phát hiện thuốc.
Khắc phục sự phân đoạn Phần 2: Cách thực hiện Phân đoạn hình ảnh với Python
Chào! Nếu bạn chưa đọc phần đầu tiên của loạt bài ngắn này về phân đoạn hình ảnh, vui lòng đọc tại đây. Chúng ta đã thảo luận về ngưỡng và phân đoạn màu ở câu chuyện trước của tôi, vì vậy phần 2 của chúng ta sẽ tập trung vào Phân đoạn Sắc độ, cũng như Sự khác biệt của Hình ảnh.
Languages
Japanese
Spanish
German
French
Thai
Portuguese
Russian
Vietnamese
Italian
Korean
Turkish
Indonesian
Polish
Hindi
2020 – 2021 mister-map.com
