डेटा को कैसे वर्गीकृत किया जाए जो आकार में सर्पिल हो?


9

मैं टेंसरफ़्लो खेल के मैदान में खिलवाड़ कर रहा हूं । इनपुट डेटा सेट में से एक सर्पिल है। कोई फर्क नहीं पड़ता कि मैं कौन सा इनपुट पैरामीटर चुनता हूं, चाहे मैं कितना भी चौड़ा और गहरा तंत्रिका नेटवर्क बनाऊं, मैं सर्पिल को फिट नहीं कर सकता। डेटा वैज्ञानिक इस आकृति के डेटा को कैसे फिट करते हैं?


जवाबों:


11

इस तरह की समस्या के लिए कई दृष्टिकोण हैं। सबसे स्पष्ट एक नई सुविधाएँ बनाना है । सबसे अच्छी विशेषताएं जो मैं आ सकता हूं, वह है निर्देशांक को गोलाकार निर्देशांक में बदलना ।

मुझे खेल के मैदान में इसे करने का कोई तरीका नहीं मिला है, इसलिए मैंने बस कुछ विशेषताएं बनाई हैं जो इस (पाप सुविधाओं) के साथ मदद करनी चाहिए। 500 पुनरावृत्तियों के बाद यह संतृप्त हो जाएगा और 0.1 स्कोर पर उतार-चढ़ाव होगा। यह सुझाव देता है कि आगे कोई सुधार नहीं किया जाएगा और शायद मुझे छिपी हुई परत को व्यापक बनाना चाहिए या एक और परत जोड़ना चाहिए।

आश्चर्य की बात नहीं है कि छिपी हुई परत में सिर्फ एक न्यूरॉन जोड़ने के बाद आपको 300 पुनरावृत्तियों के बाद आसानी से 0.013 मिलते हैं। इसी तरह की बात एक नई परत (0.017, लेकिन लंबे समय तक 500 पुनरावृत्तियों को जोड़ने के बाद भी होती है। इसमें कोई आश्चर्य की बात नहीं है क्योंकि त्रुटियों को फैलाना कठिन है)। अधिकांश शायद आप सीखने की दर के साथ खेल सकते हैं या इसे तेज करने के लिए एक अनुकूली सीख कर सकते हैं, लेकिन यह यहाँ बात नहीं है।

यहाँ छवि विवरण दर्ज करें


गोलाकार निर्देशांक! मुझे अंडरग्राउंड कलन की याद दिला दी।
सौरदीप नंद

4
@SouradeepNanda आपको गणित की बहुत सारी चीजें मिलेंगी जो लोगों को स्कूल में बेकार लगती हैं
साल्वाडोर डाली

मेरे जैसे जिज्ञासुओं के लिए, मैं परिणाम दोहराने की कोशिश करता हूं , लेकिन चीजें सहज नहीं
होतीं

4

आदर्श रूप से तंत्रिका नेटवर्क को यह पता लगाने में सक्षम होना चाहिए कि यह गोलाकार विशेषताएं प्रदान करने के बिना हमारे पास है। कुछ प्रयोग के बाद मैं एक कॉन्फ़िगरेशन तक पहुंचने में सक्षम था, जहां हमें कुछ भी छोड़कर आवश्यकता नहीं हैएक्स1 तथा एक्स2। यह नेट लगभग 1500 युगों के बाद परिवर्तित हुआ जो काफी लंबा है। तो सबसे अच्छा तरीका अभी भी अतिरिक्त सुविधाओं को जोड़ना हो सकता है लेकिन मैं सिर्फ यह कहने की कोशिश कर रहा हूं कि उनके बिना अभिसरण करना अभी भी संभव है।

अतिरिक्त सुविधाओं के बिना समाधान


3

धोखा देकर ... thetaहैarctan(y,एक्स), आर है (एक्स2+y2)

सिद्धांत रूप में, एक्स2 तथा y2 काम करना चाहिए, लेकिन, व्यवहार में, वे किसी तरह विफल रहे, भले ही कभी-कभी, यह काम करता है।

यहाँ छवि विवरण दर्ज करें


क्या आप विस्तृत कर सकते हैं कि आपने "धोखा" कैसे दिया? आपने इन सुविधाओं को कैसे जोड़ा? क्या आपने GitHub से खेल का मैदान डाउनलोड किया और इसे संशोधित किया? या ऐसा करने का एक और सीधा तरीका है?
जिम

मैं सोच रहा था कि इस हैक को कैसे लागू किया जाए। ब्राउज़र के अंदर करने की कोशिश की, लेकिन उसके साथ कोई भाग्य नहीं था। तब मैंने स्रोत कोड को कांटा करने का फैसला किया और नई इनपुट सुविधाओं को जोड़ा। आप इसे यहाँ
कांकूट

0

वेनिला टेंसरफ़्लो खेल का मैदान सर्पिल समाधान

यह वेनिला टेंसरफ़्लो खेल के मैदान का एक उदाहरण है जिसमें कोई जोड़ा सुविधाएँ और कोई संशोधन नहीं है। सर्पिल के लिए रन 187 से ~ 300 युग के बीच था, निर्भर करता है। मैंने Lasso Regularization L1 का उपयोग किया ताकि मैं गुणांक को समाप्त कर सकूं। मैंने आउटपुट को फिटिंग से अधिक रखने के लिए बैच आकार को 1 से घटा दिया। अपने दूसरे उदाहरण में मैंने डेटा सेट में कुछ शोर जोड़ा, फिर क्षतिपूर्ति करने के लिए L1 को ऊपर उठा दिया।

यहाँ छवि विवरण दर्ज करें


0

एक घंटे के परीक्षण के बाद मैं जिस समाधान पर पहुंचा, वह आमतौर पर सिर्फ 100 युगों में परिवर्तित हो जाता है

हाँ, मुझे पता है कि इसमें सबसे आसान निर्णय सीमा नहीं है, लेकिन यह बहुत तेजी से परिवर्तित होता है।

! [0.6% परीक्षण त्रुटि

मैंने इस सर्पिल प्रयोग से कुछ बातें सीखीं: -

  • आउटपुट लेयर इनपुट लेयर से अधिक या बराबर होनी चाहिए । इस सर्पिल समस्या के मामले में कम से कम मैंने यही देखा।
  • प्रारंभिक सीखने की दर को उच्च रखें , जैसे कि इस मामले में 0.1, फिर जैसे ही आप 3-5% या उससे कम की तरह कम परीक्षण त्रुटि का सामना करते हैं, सीखने की दर को एक पायदान (0.03) या दो से घटाते हैं। यह तेजी से परिवर्तित करने में मदद करता है और वैश्विक मिनीमा के चारों ओर कूदने से बचता है।
  • आप शीर्ष दाईं ओर त्रुटि ग्राफ़ की जाँच करके सीखने की दर को उच्च बनाए रखने के प्रभावों को देख सकते हैं।
  • 1, 0.1 जैसे छोटे बैच के आकार के लिए, सीखने की दर बहुत अधिक है क्योंकि मॉडल को अभिसरण करने में विफल रहता है क्योंकि यह वैश्विक मिनीमा के आसपास कूदता है।
  • इसलिए, यदि आप उच्च शिक्षण दर (0.1) रखना चाहते हैं, तो बैच का आकार उच्च (10) भी रखें। यह आमतौर पर एक धीमी गति से अभी तक चिकनी अभिसरण देता है।

संयोग से मैं जिस समाधान के साथ आया था, वह सल्वाडोर डाली द्वारा प्रदान किए गए समान है ।

कृपया कोई टिप्पणी जोड़ें, यदि आपको कोई अंतर्ज्ञान या तर्क मिले।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.