Category Archives: 未分類

分散について説明している以下の文の空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください． 自由度が高いモデルは分散が (Q1 ____ ) なりがちで、訓練データに (Q2 ____ ) しやすい． Q1 1. 低く 2. 高く 3. なく Q2 1. 過学習 2. 汎化 3. 過小適合

分散について説明している以下の文の空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください． 自由度が低いモデルはバイアスが (Q1 ____ ) なりがちで、訓練データに (Q2 ____ ) しやすい． Q1 1. 低く 2. 高く 3. なく Q2 1. 過学習 2. 汎化 3. 過小適合

正則化について説明している以下の文の空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください． 正則化とはモデルの (Q1____ ) を緩和するために、モデルの(Q2 ____ ) を下げることである． 例えば、多項式回帰モデルは (Q3 ____ ) ことで正則化できる． [Q1の選択肢] 1. 過学習 2. 汎化 3. 過小適合 [Q2の選択肢] 1. 自由度 2. 精度 3. F 値 [Q3の選択肢] 1. 特徴量を増やす 2. 次元を減らす 3. 確率的勾配降下法を使う

正則化について説明している以下の文の空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください． 正則化とはモデルの (Q1____ ) を緩和するために、モデルの(Q2 ____ ) を下げることである． 例えば、多項式回帰モデルは (Q3 ____ ) ことで正則化できる． [Q1の選択肢] 1. 過学習 2. 汎化 3. 過小適合 [Q2の選択肢] 1. 自由度 2. 精度 3. F 値 [Q3の選択肢] 1. 特徴量を増やす 2. 次元を減らす 3. 確率的勾配降下法を使う

正則化について説明している以下の文の空欄に入る最も適切なものを選択肢からそれぞれ選んでください． 線形回帰モデルを正則化するためには、( Q1 ___ ) などの手法がある． [選択肢] 1. より自由度の高いモデルを選択する 2. よりバイアスの低いモデルを選択する 3. 説明変数の数を増やす 4. コスト関数に正則化項を追加する

次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、 ミニバッチ勾配降下法で X、y を学習し傾きと切片を予測してください． import numpy as np np.random.seed(0) X = 2 * np.random.rand(100,1) y = 4 + 3 * X + np.random.rand(100,1) X_b = np.c_[np.ones((100, 1)), X] epochs = 50 minibatch_size = 20 m = len(X_b) np.random.seed(0) theta = np.random.randn(2,1) t0, t1 = 200, 1000 def learning_schedule(t): return t0 / […]

次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、多項式回帰モデルを訓練してください． import numpy as np #Q1： PolynomialFeatures クラスをインポートしてください． from ########## import PolynomialFeatures [Q1 選択肢] 1. sklearn.model_selection 2. sklearn.metircs 3. sklearn.preprocessing #Q2：多項式回帰モデル用のクラスをインポートしてください． from sklearn.linear_model import ########## [Q2 選択肢] 1. LinearRegression 2. ElasticNet 3. Rasso np.random.seed(0) m = 100 X = 6 * np.random.rand(m, 1) – 3 y = 3 * X ** […]

関数 learning_schedule() では、各イテレーションにおける、学習率を決定しています． 変数 t0、t1 を用いて学習率が緩やかに下がるように、次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、 確率的勾配降下法で X、y を学習し傾きと切片を予測してください． 変数 xi 、yi は、各イテレーションで利用するインスタンスと目的変数です． X_b、y から、インデックス番号で random_index からその次の番号までの配列を抽出し xi、yi に代入されるようにしてください. import numpy as np np.random.seed(0) X = 2 * np.random.rand(100,1) y = 4 + 3 * X + np.random.rand(100,1) X_b = np.c_[np.ones((100, 1)), X] epochs = 50 t0, t1 = 5, 50 […]

関数 learning_schedule() では、各イテレーションにおける、学習率を決定しています． 変数 t0、t1 を用いて学習率が緩やかに下がるように、 次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、 確率的勾配降下法で X、y を学習し傾きと切片を予測してください． 変数 xi 、yi は、各イテレーションで利用するインスタンスと目的変数です． X_b、y から、インデックス番号で random_index からその次の番号までの配列を抽出し xi、yi に代入されるようにしてください. import numpy as np np.random.seed(0) X = 2 * np.random.rand(100,1) y = 4 + 3 * X + np.random.rand(100,1) X_b = np.c_[np.ones((100, 1)), X] epochs = 50 t0, t1 = 5, […]

次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、 scikit-learn を用いて、線形回帰モデルに確率的勾配降下法を適用して X、y を学習させ、傾きと切片を予測してください． 試行回数は 50 回とする． import numpy as np np.random.seed(0) X = 2 * np.random.rand(100,1) y = 4 + 3 * X + np.random.rand(100,1) # Q1：scikit-learn から確率的勾配降下法用のクラスをインポートしてください． ########## [Q1の選択肢] 1. from sklearn.metrics import SGDRegressor 2. from sklearn.linear_model import SGDRegressor 3. from sklearn.decomposition import SGDRegressor # Q2：Q1 でインポートしたクラスを用いて線形回帰モデルを定義してください． sgd […]