IV. Các vấn đề thực tế
5.Scoring Methods
Scoring là một loại chuẩn hoá, mà trong bối cảnh huấn luyện một mô hình mạng neural là quá trình chuyển đổi một giá trị, chẳng hạn như một nhãn văn bản riêng biệt, thành một giá trị có thể được so sánh với các loại các đầu vào và trọng số trong mạng.
Ví dụ, nếu một thuộc tính đầu vào là giới và các giá trị có thể là nam và nữ, và một thuộc tính đầu vào là thu nhập, với một loạt biến đổi của các giá trị, các giá trị cho mỗi thuộc tính không thể so sánh trực tiếp, và do đó phải được mã hóa ra một quy mô chung để các trọng số có thể được tính.
Scoring là quá trình chuẩn hóa chẳng hạn đầu vào các giá trị số: riêng biệt, ở một mức xác suất. Các chức năng được sử dụng để chuẩn hóa cũng giúp phân phối các giá trị đầu vào đồng đều hơn trên thang điểm thống nhất để các giá trị vô cực không làm sai lệch kết quả phân tích.
Kết quả đầu ra của mạng neural cũng được mã hóa. Khi có một mục tiêu duy nhất cho đầu ra (có nghĩa là, dự báo), hoặc nhiều mục tiêu được sử dụng để dự đoán
duy nhất và không cho đầu vào, các mô hình tạo ra một mạng duy nhất và nó chưa có vẻ cần thiết để chuẩn hóa các giá trị.
Tuy nhiên, nếu nhiều thuộc tính được sử dụng cho đầu vào và dự đoán, mô hình phải tạo ra nhiều mạng, do đó, tất cả các giá trị phải được chuẩn hóa, và kết quả đầu ra cũng phải được mã hóa khi chúng thoát khỏi mạng.
Mã hóa cho các đầu vào dựa trên tổng hợp các giá trị riêng biệt trong các trường hợp huấn luyện, và nhân giá trị mà trọng số của nó. Này được gọi là tổng trọng số, được truyền cho hàm kích hoạt trong lớp ẩn. Một điểm số z được sử dụng để mã hóa, như sau:
Những giá trị riêng biệt
μ = p - xác suất trước của một trạng thái StdDev = sqrt (p (1-p))
Những giá trị liên tục Giá trị hiện tại = 1 - μ / σ Không có sẵn giá trị = - μ / σ
Sau khi các giá trị đã được mã hóa, các yếu tố đầu vào đi qua trọng số tổng hợp, có cạnh của mạng như trọng số.
Mã hóa cho kết quả đầu ra sử dụng hàm sigmoid, có thuộc tính mà làm cho nó rất hữu ích để dự đoán. Một trong những thuộc tính là, bất kể như thế nào giá trị ban đầu được thu nhỏ, và bất kể giá trị là âm hay dương, đầu ra của chức năng này luôn luôn là một giá trị giữa 0 và 1, đó là thích hợp cho xác suất ước tính. Một căn nhà khác hữu ích là hàm sigmoid có tác dụng làm mịn, vì vậy mà giá trị chuyển ra xa điểm uốn, xác suất cho các giá trị tiến tới 0 hoặc 1, nhưng chậm.