Cours d'apprentissage automatique à l'Université de Tsukuba: Étudiez sklearn tout en intégrant le script Python à la tâche (10)

Dernière fois Cours d'apprentissage automatique à l'Université de Tsukuba: étudier sklearn tout en intégrant le script Python au devoir (9) https://github.com/legacyworld/sklearn-basic

Défi 5.3 Perte de charnière et perte de carré

S'il y a une valeur aberrante cette fois Le commentaire Youtube est d'environ 6e (1) 55 minutes 30 secondes

Perte de charnière avec valeurs aberrantes

Le programme ajoute juste deux lignes

X = np.insert(X,0,[5,-50],axis=0)
y = np.insert(y,0,1)

Il semble que la première valeur soit remplacée dans le cours, mais en ajouter une ne semble pas beaucoup changer.

C'est le résultat de l'exécution. Même s'il y a une valeur qui diffère considérablement, si la réponse est correcte, la perte de charnière sera de 0, donc il n'y aura aucun effet. 5.3.png

Perte carrée avec valeurs aberrantes

Cela ajoute également deux lignes, mais pour une raison quelconque, les coordonnées ont changé en [5, -35]. Probablement parce que si la perte au carré est également [5, -50], l'écart sera trop grand. Voici le résultat de l'exécution 5.3.png

Intention de ce problème

Lorsqu'il y a une valeur de déviation importante, il n'y a pas de problème avec la perte de charnière et elle est classée, mais avec une perte de carré, même si la réponse est correcte, une perte éloignée donne une grande pénalité, donc cela devient étrange.

Messages passés