機械学習・深層学習の基礎体力測定② - Yusuke Sugomori's Blog

テクノロジーカテゴリーの変更を依頼記事元:

blog.yusugomori.com

31 usersがブックマークコメント

記事へのコメント0件

注目コメント
新着コメント

新着コメントはまだありません。
このエントリーにコメントしてみましょう。

注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています

リンクを埋め込む

以下のコードをコピーしてサイトに埋め込むことができます

<iframe marginwidth="0" marginheight="0" src="https://b.hatena.ne.jp/entry.parts?url=http%3A%2F%2Fblog.yusugomori.com%2Fpost%2F176765776610%2F%25E6%25A9%259F%25E6%25A2%25B0%25E5%25AD%25A6%25E7%25BF%2592%25E6%25B7%25B1%25E5%25B1%25A4%25E5%25AD%25A6%25E7%25BF%2592%25E3%2581%25AE%25E5%259F%25BA%25E7%25A4%258E%25E4%25BD%2593%25E5%258A%259B%25E6%25B8%25AC%25E5%25AE%259A%25E2%2591%25A1" scrolling="no" frameborder="0" height="230" width="500"><div class="hatena-bookmark-detail-info"><a href="http://blog.yusugomori.com/post/176765776610/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E6%B7%B1%E5%B1%A4%E5%AD%A6%E7%BF%92%E3%81%AE%E5%9F%BA%E7%A4%8E%E4%BD%93%E5%8A%9B%E6%B8%AC%E5%AE%9A%E2%91%A1">機械学習・深層学習の基礎体力測定② - Yusuke Sugomori's Blog</a><a href="https://b.hatena.ne.jp/entry/blog.yusugomori.com/post/176765776610/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E6%B7%B1%E5%B1%A4%E5%AD%A6%E7%BF%92%E3%81%AE%E5%9F%BA%E7%A4%8E%E4%BD%93%E5%8A%9B%E6%B8%AC%E5%AE%9A%E2%91%A1">はてなブックマーク - 機械学習・深層学習の基礎体力測定② - Yusuke Sugomori's Blog</a></div></iframe>

プレビュー

規約違反を報告

いまの話題をアプリでチェック！

バナー広告なし
ミュート機能あり
ダークモード搭載

アプリをダウンロード

機械学習・深層学習の基礎体力測定② - Yusuke Sugomori's Blog

前回は、線形回帰・ロジスティック回帰および（シンプルな）ニューラルネットワークの出力の式を理解す... 前回は、線形回帰・ロジスティック回帰および（シンプルな）ニューラルネットワークの出力の式を理解するところまでを考えてみました。今回はその続きを考えていきます。一番基本的な式は線形回帰の \[ y = wx + b \] という直線の式でしたが、では、この傾き \(w\) と切片 \(b\) はどのように求めればいいでしょうか？これら \(w\)、\(b\) が、いわゆるモデルのパラメータになります。このパラメータを最適化する（＝きちんと求める）ことで、線形回帰が引く直線は、「データの関係性を最もよく表す直線」になるわけです。この式が \(y = \boldsymbol{w}^T\boldsymbol{x} + b\) になっても、あるいはロジスティック回帰の \(y = f\left(\boldsymbol{w}^T \boldsymbol{x} + b\right) \) という式