तंत्रिका नेटवर्क के विश्वास की भविष्यवाणी करना

Question

माना कि मैं वर्गीकरण या प्रतिगमन करने के लिए एक गहरे तंत्रिका नेटवर्क को प्रशिक्षित करना चाहता हूं, लेकिन मैं जानना चाहता हूं कि भविष्यवाणी कितनी भरोसेमंद होगी। मैं इसे कैसे हासिल कर सकता हूं?

मेरा विचार प्रत्येक प्रशिक्षण डेटम के लिए क्रॉस एन्ट्रॉपी की गणना करना है, जो ऊपर दिए गए न्यूरल मीटर में इसकी भविष्यवाणी के प्रदर्शन के आधार पर है। फिर, मैं प्रतिगमन के लिए एक दूसरे तंत्रिका नेटवर्क को प्रशिक्षित करूंगा, जो प्रत्येक डेटा को इनपुट के रूप में ले जाएगा, और यह आउटपुट (एक आउटपुट नोड) के रूप में क्रॉस एन्ट्रॉपी है। आप तब व्यवहार में दोनों नेटवर्क का उपयोग करेंगे - एक लेबल / मूल्य की भविष्यवाणी के लिए, और दूसरा पहले नेटवर्क के विश्वास की भविष्यवाणी के लिए। (.... लेकिन क्या मुझे दूसरे नेटवर्क के विश्वास की भविष्यवाणी करने के लिए तीसरे नेटवर्क की आवश्यकता होगी, और इसी तरह ...?)

क्या यह एक वैध विचार है? इसके अलावा, क्या यह आमतौर पर इस्तेमाल किया जाने वाला एक मानक विचार है? यदि नहीं, तो आप क्या सुझाव देंगे?

Comments

भविष्यवाणी मूल्यों को आत्मविश्वास के रूप में व्याख्या की जा सकती है।

— yasin.yazici

शायद आप बूटस्ट्रैप का तरीका अपना सकते हैं, अपने मॉडल को एन सैंपलों पर दोहरा सकते हैं और एक विचरण अनुमानक का निर्माण कर सकते हैं और शायद आपकी भविष्यवाणियों के लिए एक विश्वास अंतराल।

— डी। कास्त्रो

वर्गीकरण के लिए, जैसा कि कुछ ने उत्तर दिया है, संभावनाएं स्वयं आपके आत्मविश्वास के कुछ माप हैं। प्रतिगमन के लिए, आपको एक बहुत ही समान प्रश्न से मेरा उत्तर मिल सकता है।

— etal

इसी तरह के एक सवाल का मेरा जवाब यहां देखें

— utobi

Answer 1

शायद मैं इस प्रश्न को गलत समझ रहा हूं, लेकिन मुझे लगता है कि वर्गीकरण के लिए यह मानक तरीका है कि प्रत्येक Nकक्षा के लिए एक आउटपुट न्यूरॉन हो ।

फिर आउटपुट मानों के Nवेक्टर [0, 1]प्रत्येक वर्ग से संबंधित इनपुट की संभावना का प्रतिनिधित्व करते हैं, और इसलिए "आत्मविश्वास" के रूप में व्याख्या की जा सकती है जिसे आप प्राप्त करना चाहते हैं।

Comments

आउटपुट आमतौर पर एक सॉफ्टमैक्स परत होता है और इस तरह आप न्यूरॉन्स के मूल्य को अंदर ले जाते हैं $[0,1]$।

— राशिफल 14

Answer 2

उन लोगों के लिए जो एनएन भविष्यवाणी अनुमान अनुमान में रुचि रखते हैं, आप एक बायेसियन स्वीकृति के रूप में ड्रॉपआउट पर एक नज़र रखना चाह सकते हैं : डीप लर्निंग में मॉडल अनिश्चितता का प्रतिनिधित्व करना (गैल एट अल।, 2016) । संक्षेप में, यह दर्शाता है कि एक नेटवर्क की भविष्यवाणियों का विचलन कैसे चलता है, जिसमें ड्रॉपआउट प्रदर्शन किया जाता है, उस पर अनुमान विश्वास का अनुमान लगाने के लिए इस्तेमाल किया जा सकता है। इस दृष्टिकोण को वर्गीकरण के लिए या प्रतिगमन के लिए डिज़ाइन किए गए नेटवर्क के लिए नियोजित किया जा सकता है।