ਪਾਈਥਨ, ਐਨਾਕਾਂਡਾ ਅਤੇ ਹੋਰ ਸੱਪਾਂ ਤੋਂ ਬਿਨਾਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ

ਨਹੀਂ, ਠੀਕ ਹੈ, ਬੇਸ਼ਕ, ਮੈਂ ਗੰਭੀਰ ਨਹੀਂ ਹਾਂ. ਕਿਸੇ ਵਿਸ਼ੇ ਨੂੰ ਸਰਲ ਬਣਾਉਣ ਦੀ ਹੱਦ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਪਰ ਪਹਿਲੇ ਪੜਾਵਾਂ ਲਈ, ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਵਿਸ਼ੇ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ "ਪ੍ਰਵੇਸ਼ ਕਰਨਾ", ਇਹ ਸਵੀਕਾਰਯੋਗ ਹੋ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਅੰਤ ਵਿੱਚ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਇਸ ਸਮੱਗਰੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਨਾਮ ਦੇਣਾ ਹੈ (ਵਿਕਲਪ: “ਡਮੀਜ਼ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ”, “ਡਾਇਪਰ ਤੋਂ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ”, “ਛੋਟੇ ਬੱਚਿਆਂ ਲਈ ਐਲਗੋਰਿਦਮ”)।

ਬਿੰਦੂ ਨੂੰ. ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵੇਲੇ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਰੀਕਿਆਂ ਵਿੱਚ ਵਾਪਰਨ ਵਾਲੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਵਿਜ਼ੂਅਲ ਪ੍ਰਤੀਨਿਧਤਾ ਲਈ ਐਮਐਸ ਐਕਸਲ ਵਿੱਚ ਕਈ ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰੋਗਰਾਮ ਲਿਖੇ। ਸਭ ਤੋਂ ਬਾਅਦ, ਦੇਖਣਾ ਵਿਸ਼ਵਾਸ ਕਰਨਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸੱਭਿਆਚਾਰ ਦੇ ਧਾਰਨੀ ਕਹਿੰਦੇ ਹਨ, ਜਿਸ ਨੇ ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਢੰਗਾਂ ਨੂੰ ਵਿਕਸਤ ਕੀਤਾ (ਵੈਸੇ, ਇਹ ਸਾਰੇ ਨਹੀਂ। ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ "ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ", ਜਾਂ ਐਸਵੀਐਮ, ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦੀ ਕਾਢ ਹੈ। ਸਾਡੇ ਹਮਵਤਨ ਵਲਾਦੀਮੀਰ ਵੈਪਨਿਕ, ਮਾਸਕੋ ਇੰਸਟੀਚਿਊਟ ਆਫ ਮੈਨੇਜਮੈਂਟ। 1963, ਵੈਸੇ! ਹੁਣ, ਹਾਲਾਂਕਿ, ਉਹ ਅਮਰੀਕਾ ਵਿੱਚ ਪੜ੍ਹਾਉਂਦਾ ਅਤੇ ਕੰਮ ਕਰਦਾ ਹੈ)।

ਸਮੀਖਿਆ ਲਈ ਤਿੰਨ ਫਾਈਲਾਂ

1. ਕੇ- ਦਾ ਮਤਲਬ ਹੈ ਕਲੱਸਟਰਿੰਗ

ਇਸ ਕਿਸਮ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ "ਅਨ-ਨਿਰੀਖਣ ਰਹਿਤ ਸਿਖਲਾਈ" ਦਾ ਹਵਾਲਾ ਦਿੰਦੀਆਂ ਹਨ, ਜਦੋਂ ਸਾਨੂੰ ਸ਼ੁਰੂਆਤੀ ਡੇਟਾ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਗਿਣਤੀ ਵਿੱਚ ਵੰਡਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਪਰ ਸਾਡੇ ਕੋਲ "ਸਹੀ ਜਵਾਬ" ਦੀ ਕੋਈ ਗਿਣਤੀ ਨਹੀਂ ਹੁੰਦੀ ਹੈ; ਸਾਨੂੰ ਉਹਨਾਂ ਨੂੰ ਡੇਟਾ ਤੋਂ ਹੀ ਕੱਢਣਾ ਚਾਹੀਦਾ ਹੈ . ਆਇਰਿਸ ਫੁੱਲਾਂ (ਰੋਨਾਲਡ ਫਿਸ਼ਰ, 1936!) ਦੀਆਂ ਉਪ-ਪ੍ਰਜਾਤੀਆਂ ਨੂੰ ਲੱਭਣ ਦੀ ਬੁਨਿਆਦੀ ਕਲਾਸੀਕਲ ਸਮੱਸਿਆ, ਜਿਸ ਨੂੰ ਗਿਆਨ ਦੇ ਇਸ ਖੇਤਰ ਦਾ ਪਹਿਲਾ ਚਿੰਨ੍ਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਸਿਰਫ ਇਸ ਪ੍ਰਕਾਰ ਦੀ ਹੈ।

ਵਿਧੀ ਕਾਫ਼ੀ ਸਧਾਰਨ ਹੈ. ਸਾਡੇ ਕੋਲ ਵੈਕਟਰ (N ਸੰਖਿਆਵਾਂ ਦੇ ਸੈੱਟ) ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਸਤੁਤ ਵਸਤੂਆਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ। irises ਵਿੱਚ, ਇਹ 4 ਸੰਖਿਆਵਾਂ ਦੇ ਸੈੱਟ ਹੁੰਦੇ ਹਨ ਜੋ ਫੁੱਲ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕਰਦੇ ਹਨ: ਪੇਰੀਐਂਥ ਦੇ ਬਾਹਰੀ ਅਤੇ ਅੰਦਰੂਨੀ ਲੋਬ ਦੀ ਲੰਬਾਈ ਅਤੇ ਚੌੜਾਈ, ਕ੍ਰਮਵਾਰ (ਫਿਸ਼ਰ ਦੇ irises - ਵਿਕੀਪੀਡੀਆ). ਆਮ ਕਾਰਟੇਸ਼ੀਅਨ ਮੈਟ੍ਰਿਕ ਨੂੰ ਵਸਤੂਆਂ ਵਿਚਕਾਰ ਦੂਰੀ, ਜਾਂ ਨੇੜਤਾ ਦੇ ਮਾਪ ਵਜੋਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ।

ਅੱਗੇ, ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਨੂੰ ਬੇਤਰਤੀਬ ਢੰਗ ਨਾਲ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ (ਜਾਂ ਬੇਤਰਤੀਬੇ ਨਹੀਂ, ਹੇਠਾਂ ਦੇਖੋ), ਅਤੇ ਹਰੇਕ ਵਸਤੂ ਤੋਂ ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਤੱਕ ਦੂਰੀਆਂ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਦਿੱਤੇ ਗਏ ਦੁਹਰਾਓ ਪੜਾਅ 'ਤੇ ਹਰੇਕ ਵਸਤੂ ਨੂੰ ਨਜ਼ਦੀਕੀ ਕੇਂਦਰ ਨਾਲ ਸਬੰਧਤ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਫਿਰ ਹਰੇਕ ਕਲੱਸਟਰ ਦੇ ਕੇਂਦਰ ਨੂੰ ਇਸਦੇ ਮੈਂਬਰਾਂ ਦੇ ਧੁਰੇ ਦੇ ਅੰਕਗਣਿਤ ਮਾਧਿਅਮ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਾਲ ਸਮਾਨਤਾ ਦੁਆਰਾ, ਇਸਨੂੰ "ਪੁੰਜ ਦਾ ਕੇਂਦਰ" ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ), ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ।

ਪ੍ਰਕਿਰਿਆ ਕਾਫ਼ੀ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲਦੀ ਹੈ. ਦੋ ਮਾਪਾਂ ਵਿੱਚ ਤਸਵੀਰਾਂ ਵਿੱਚ ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ:

1. ਪਲੇਨ 'ਤੇ ਪੁਆਇੰਟਾਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਬੇਤਰਤੀਬ ਵੰਡ ਅਤੇ ਕਲੱਸਟਰਾਂ ਦੀ ਗਿਣਤੀ

2. ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਦੇ ਕਲੱਸਟਰਾਂ ਨੂੰ ਬਿੰਦੂ ਨਿਰਧਾਰਤ ਕਰਨਾ

3. ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਦੇ ਕੋਆਰਡੀਨੇਟਸ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਨਾ, ਕੇਂਦਰਾਂ ਦੇ ਸਥਿਰ ਹੋਣ ਤੱਕ ਬਿੰਦੂਆਂ ਦੀ ਮਾਨਤਾ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਨਾ। ਕਲੱਸਟਰ ਸੈਂਟਰ ਦੀ ਚਾਲ ਆਪਣੀ ਅੰਤਮ ਸਥਿਤੀ ਵੱਲ ਵਧ ਰਹੀ ਹੈ।

ਕਿਸੇ ਵੀ ਸਮੇਂ, ਤੁਸੀਂ ਨਵੇਂ ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਨੂੰ ਸੈੱਟ ਕਰ ਸਕਦੇ ਹੋ (ਬਿਨਾਂ ਬਿੰਦੂਆਂ ਦੀ ਨਵੀਂ ਵੰਡ ਦੇ!) ਅਤੇ ਵੇਖੋ ਕਿ ਵਿਭਾਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਹਮੇਸ਼ਾ ਅਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਫੰਕਸ਼ਨ ਲਈ (ਬਿੰਦੂਆਂ ਤੋਂ ਉਹਨਾਂ ਦੇ ਸਮੂਹਾਂ ਦੇ ਕੇਂਦਰਾਂ ਤੱਕ ਵਰਗ ਦੂਰੀਆਂ ਦਾ ਜੋੜ), ਅਸੀਂ ਇੱਕ ਗਲੋਬਲ ਨਹੀਂ, ਪਰ ਇੱਕ ਸਥਾਨਕ ਨਿਊਨਤਮ ਲੱਭਦੇ ਹਾਂ। ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਜਾਂ ਤਾਂ ਸ਼ੁਰੂਆਤੀ ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਦੀ ਗੈਰ-ਬੇਤਰਤੀਬ ਚੋਣ ਦੁਆਰਾ, ਜਾਂ ਸੰਭਾਵਿਤ ਕੇਂਦਰਾਂ ਦੀ ਗਿਣਤੀ ਕਰਕੇ ਦੂਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਕਈ ਵਾਰ ਉਹਨਾਂ ਨੂੰ ਬਿਲਕੁਲ ਇੱਕ ਬਿੰਦੂ 'ਤੇ ਰੱਖਣਾ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ, ਫਿਰ ਘੱਟੋ ਘੱਟ ਇੱਕ ਗਾਰੰਟੀ ਹੈ ਕਿ ਅਸੀਂ ਖਾਲੀ ਨਹੀਂ ਹੋਵਾਂਗੇ। ਕਲੱਸਟਰ)। ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਇੱਕ ਸੀਮਿਤ ਸੈੱਟ ਵਿੱਚ ਹਮੇਸ਼ਾਂ ਇੱਕ ਇਨਫਿਮਮ ਹੁੰਦਾ ਹੈ।

ਤੁਸੀਂ ਇਸ ਲਿੰਕ 'ਤੇ ਇਸ ਫਾਈਲ ਨਾਲ ਖੇਡ ਸਕਦੇ ਹੋ (ਮੈਕਰੋ ਸਹਾਇਤਾ ਨੂੰ ਸਮਰੱਥ ਕਰਨਾ ਨਾ ਭੁੱਲੋ। ਫਾਈਲਾਂ ਨੂੰ ਵਾਇਰਸਾਂ ਲਈ ਸਕੈਨ ਕੀਤਾ ਗਿਆ ਹੈ)

ਵਿਕੀਪੀਡੀਆ 'ਤੇ ਵਿਧੀ ਦਾ ਵੇਰਵਾ - k- ਦਾ ਮਤਲਬ ਹੈ ਵਿਧੀ

2. ਬਹੁਪਦ ਅਤੇ ਡੇਟਾ ਬ੍ਰੇਕਡਾਊਨ ਦੁਆਰਾ ਲਗਭਗ. ਮੁੜ ਸਿਖਲਾਈ

ਕਮਾਲ ਦੇ ਵਿਗਿਆਨੀ ਅਤੇ ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਪ੍ਰਸਿੱਧ ਕਰਨ ਵਾਲੇ ਕੇ.ਵੀ. ਵੋਰੋਨਤਸੋਵ ਸੰਖੇਪ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕਿਆਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ "ਬਿੰਦੂਆਂ ਦੁਆਰਾ ਕਰਵ ਬਣਾਉਣ ਦਾ ਵਿਗਿਆਨ"। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਘੱਟ ਤੋਂ ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਪੈਟਰਨ ਲੱਭਾਂਗੇ।

ਸਰੋਤ ਡੇਟਾ ਨੂੰ "ਸਿਖਲਾਈ" ਅਤੇ "ਨਿਯੰਤਰਣ" ਵਿੱਚ ਵੰਡਣ ਦੀ ਤਕਨੀਕ ਦਿਖਾਈ ਗਈ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਇੱਕ ਅਜਿਹੀ ਘਟਨਾ ਜਿਵੇਂ ਕਿ ਮੁੜ ਸਿਖਲਾਈ, ਜਾਂ ਡੇਟਾ ਨੂੰ "ਮੁੜ-ਅਡਜਸਟ ਕਰਨਾ"। ਸਹੀ ਅਨੁਮਾਨ ਦੇ ਨਾਲ, ਸਾਡੇ ਕੋਲ ਸਿਖਲਾਈ ਡੇਟਾ ਤੇ ਇੱਕ ਖਾਸ ਗਲਤੀ ਹੋਵੇਗੀ ਅਤੇ ਨਿਯੰਤਰਣ ਡੇਟਾ ਤੇ ਇੱਕ ਥੋੜੀ ਵੱਡੀ ਗਲਤੀ ਹੋਵੇਗੀ। ਜੇਕਰ ਗਲਤ ਹੈ, ਤਾਂ ਇਸਦਾ ਨਤੀਜਾ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਸਟੀਕ ਐਡਜਸਟਮੈਂਟ ਅਤੇ ਟੈਸਟ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਗਲਤੀ ਦਾ ਨਤੀਜਾ ਹੈ।

(ਇਹ ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਤੱਥ ਹੈ ਕਿ N ਬਿੰਦੂਆਂ ਦੁਆਰਾ ਕੋਈ ਵੀ N-1th ਡਿਗਰੀ ਦਾ ਇੱਕ ਸਿੰਗਲ ਕਰਵ ਖਿੱਚ ਸਕਦਾ ਹੈ, ਅਤੇ ਆਮ ਸਥਿਤੀ ਵਿੱਚ ਇਹ ਵਿਧੀ ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਨਹੀਂ ਦਿੰਦੀ। ਵਿਕੀਪੀਡੀਆ 'ਤੇ ਲੈਗਰੇਂਜ ਇੰਟਰਪੋਲੇਸ਼ਨ ਪੋਲੀਨੌਮੀਅਲ)

1. ਸ਼ੁਰੂਆਤੀ ਵੰਡ ਸੈੱਟ ਕਰੋ

2. ਅਸੀਂ ਬਿੰਦੂਆਂ ਨੂੰ 70 ਤੋਂ 30 ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ "ਸਿਖਲਾਈ" ਅਤੇ "ਨਿਯੰਤਰਣ" ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ।

3. ਅਸੀਂ ਸਿਖਲਾਈ ਬਿੰਦੂਆਂ ਦੇ ਨਾਲ ਲੱਗਭੱਗ ਕਰਵ ਖਿੱਚਦੇ ਹਾਂ, ਅਸੀਂ ਨਿਯੰਤਰਣ ਡੇਟਾ 'ਤੇ ਇਹ ਗਲਤੀ ਦੇਖਦੇ ਹਾਂ

4. ਅਸੀਂ ਸਿਖਲਾਈ ਬਿੰਦੂਆਂ ਦੁਆਰਾ ਇੱਕ ਸਹੀ ਕਰਵ ਖਿੱਚਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਨਿਯੰਤਰਣ ਡੇਟਾ (ਅਤੇ ਸਿਖਲਾਈ ਡੇਟਾ 'ਤੇ ਜ਼ੀਰੋ, ਪਰ ਬਿੰਦੂ ਕੀ ਹੈ?) 'ਤੇ ਇੱਕ ਭਿਆਨਕ ਗਲਤੀ ਵੇਖਦੇ ਹਾਂ।

ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਬੇਸ਼ੱਕ, "ਸਿਖਲਾਈ" ਅਤੇ "ਨਿਯੰਤਰਣ" ਉਪ ਸਮੂਹਾਂ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਡਿਵੀਜ਼ਨ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਸਰਲ ਵਿਕਲਪ ਹੈ; ਆਮ ਸਥਿਤੀ ਵਿੱਚ, ਇਹ ਗੁਣਾਂ ਦੇ ਵਧੀਆ ਸਮਾਯੋਜਨ ਲਈ ਕਈ ਵਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਫਾਈਲ ਇੱਥੇ ਉਪਲਬਧ ਹੈ, ਐਂਟੀਵਾਇਰਸ ਦੁਆਰਾ ਸਕੈਨ ਕੀਤੀ ਗਈ ਹੈ। ਸਹੀ ਕਾਰਵਾਈ ਲਈ ਮੈਕਰੋ ਨੂੰ ਸਮਰੱਥ ਬਣਾਓ

3. ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਅਤੇ ਗਲਤੀ ਤਬਦੀਲੀ ਦੀ ਗਤੀਸ਼ੀਲਤਾ

ਇੱਕ 4-ਅਯਾਮੀ ਕੇਸ ਅਤੇ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਹੋਵੇਗਾ। ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਦਮ ਦਰ ਕਦਮ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਣਗੇ, ਸ਼ੁਰੂ ਵਿੱਚ ਸਾਰੇ ਗੁਣਾਂਕ ਜ਼ੀਰੋ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਵੱਖਰਾ ਗ੍ਰਾਫ਼ ਗਲਤੀ ਘਟਾਉਣ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਗੁਣਾਂਕ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਸਹੀ ਢੰਗ ਨਾਲ ਐਡਜਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਾਰੇ ਚਾਰ 2-ਅਯਾਮੀ ਅਨੁਮਾਨਾਂ ਨੂੰ ਦੇਖਣਾ ਸੰਭਵ ਹੈ।

ਜੇਕਰ ਤੁਸੀਂ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਨੂੰ ਬਹੁਤ ਵੱਡਾ ਸੈਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਹਰ ਵਾਰ ਅਸੀਂ ਨਿਊਨਤਮ ਨੂੰ ਛੱਡ ਦੇਵਾਂਗੇ ਅਤੇ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਕਦਮਾਂ ਵਿੱਚ ਨਤੀਜੇ 'ਤੇ ਪਹੁੰਚਾਂਗੇ, ਹਾਲਾਂਕਿ ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਅਜੇ ਵੀ ਪਹੁੰਚਾਂਗੇ (ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਉਤਰਨ ਦੇ ਪੜਾਅ ਵਿੱਚ ਵੀ ਦੇਰੀ ਨਹੀਂ ਕਰਦੇ ਹਾਂ। ਬਹੁਤ - ਫਿਰ ਐਲਗੋਰਿਦਮ "ਸਪੇਡਸ ਵਿੱਚ" ਜਾਵੇਗਾ)। ਅਤੇ ਦੁਹਰਾਓ ਦੇ ਪੜਾਅ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਗਲਤੀ ਦਾ ਗ੍ਰਾਫ਼ ਨਿਰਵਿਘਨ ਨਹੀਂ ਹੋਵੇਗਾ, ਪਰ "ਝਟਕੇਦਾਰ" ਹੋਵੇਗਾ।

1. ਡੇਟਾ ਤਿਆਰ ਕਰੋ, ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਸੈੱਟ ਕਰੋ

2. ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਦੀ ਸਹੀ ਚੋਣ ਦੇ ਨਾਲ, ਅਸੀਂ ਆਸਾਨੀ ਨਾਲ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਘੱਟੋ-ਘੱਟ 'ਤੇ ਪਹੁੰਚ ਜਾਂਦੇ ਹਾਂ

3. ਜੇਕਰ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਚੁਣਿਆ ਗਿਆ ਹੈ, ਤਾਂ ਅਸੀਂ ਵੱਧ ਤੋਂ ਵੱਧ ਨੂੰ ਓਵਰਸ਼ੂਟ ਕਰਦੇ ਹਾਂ, ਗਲਤੀ ਗ੍ਰਾਫ "ਝਟਕੇ ਵਾਲਾ" ਹੈ, ਕਨਵਰਜੈਂਸ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਕਦਮ ਚੁੱਕਦਾ ਹੈ

и

4. ਜੇਕਰ ਅਸੀਂ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਚੁਣਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਨਿਊਨਤਮ ਤੋਂ ਦੂਰ ਚਲੇ ਜਾਂਦੇ ਹਾਂ

(ਤਸਵੀਰਾਂ ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਸਟੈਪ ਵੈਲਯੂਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨ ਲਈ, "ਹਵਾਲਾ ਡੇਟਾ" ਬਾਕਸ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ)।

ਫਾਈਲ ਇਸ ਲਿੰਕ 'ਤੇ ਹੈ, ਤੁਹਾਨੂੰ ਮੈਕਰੋ ਨੂੰ ਸਮਰੱਥ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਕੋਈ ਵਾਇਰਸ ਨਹੀਂ ਹਨ।

ਸਤਿਕਾਰਤ ਭਾਈਚਾਰੇ ਅਨੁਸਾਰ, ਕੀ ਸਮੱਗਰੀ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਦਾ ਅਜਿਹਾ ਸਰਲੀਕਰਨ ਅਤੇ ਢੰਗ ਪ੍ਰਵਾਨ ਹੈ? ਕੀ ਇਸ ਲੇਖ ਦਾ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ ਯੋਗ ਹੈ?

ਸਰੋਤ: www.habr.com