最急降下法
最急降下法 戻る ニューラル関連の学習則は，この方法を使っていることが多い．バックプロパゲーションだって最急降下法だし，ホップフィールドモデルだって最急降下法を使ってる． エネルギー関数最小化（または最大化）を目的とする問題では，パラメータ逐次更新の方法として最急降下法を使うのが常套手段だ．理屈さえ分かれば，それほど難しい話ではないからね． 最急降下法： まず最小化（または最大化）すべき基準となる，ある関数が与えられているとする．この関数を最小化（または最大化）するようなを求めるのが目的なのだが，まずに適当な初期値を与え，次のような方法でを逐次更新していく． （を最小化する場合） （を最大化する場合） ここでは 1 より小さな正の値とする． で，なんでこの方法で関数を最小化（または最大化）できるのかというと，図で説明するとこんな感じになる（最小化に関して説明する）．
線形SVM 〜 詳細説明 〜
線形SVM 〜 数式の説明 〜 戻る 前ページで線形SVMのコーディングに必要な式を紹介したけれど，それだけでは納得できん，中身までちゃんと教えてくれ，という向きには，このページでちゃんと説明する． 前ページの再掲になるけれど，線形識別関数を次のように定義する． ただし． (1.1) は入力ベクトル，ベクトルおよびスカラーは識別関数を決定するパラメータ． 学習データは個与えられているとし，と表す．これらのデータを2つのクラスおよびに分離することを考える．この学習データ集合に対して，が次の条件を満たすようにパラメータを調節することを考える． (1.2) （OpenOfficeの数式ツールで左括弧ってどうやって出すの？） ところで，点から分離境界との距離はとなる（どうしてそうなるかって？それは自分で考えてみてね）． ということは，(1.2)式を満たす識別関数において，学
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
