3.2.3 Hypothesis Space TraversalGiv

3.2.3 Hypothesis Space Traversal
Given a particular search space, defined by the architecture of the network and training data
provided, we could occupy any point in that space to give us a particular hypothesis. How
we choose to traverse the space of possible hypotheses determines what type of ensemble
we will end up with.
Regularisation Methods
Some authors have found benefit from using a regularisation term in the error function
for the network. The justification from this stems from Tikhonov’s work on ill-posed problems [132]. This showed that including another term in the error function, in addition
to the objective function, could effectively control the bias-variance trade-off3. Using this
approach, the error of network i becomes:

ผลลัพธ์ (ไทย) 1:

3.2.3 สมมติฐานพื้นที่ข้ามระบุพื้นที่ค้นหาเฉพาะ กำหนด โดยสถาปัตยกรรมของเครือข่าย และข้อมูลการฝึกอบรมมี เราสามารถครอบครองจุดใด ๆ ในพื้นที่ที่ให้เราสมมติฐานใด วิธีเราเลือกที่จะข้ามไปพื้นที่สมมุติฐานกำหนดชนิดของวงดนตรีเราจะจบลงด้วยการวิธีการ regularisationบางอย่างผู้เขียนได้พบประโยชน์จากการใช้คำ regularisation ในการทำงานผิดพลาดสำหรับเครือข่าย เหตุผลจากนี้เกิดจากการทำงานของ Tikhonov ป่วยเกิดปัญหา [132] นี้แสดงให้เห็นที่รวมทั้งเงื่อนไขอื่นในการทำงานผิดพลาด นอกจากนี้ฟังก์ชันวัตถุประสงค์ ไม่มีประสิทธิภาพควบคุมความโน้มเอียงต่างค้า-off3 ใช้นี้ข้อผิดพลาดของเครือข่าย วิธีการที่ฉันเป็น:

ผลลัพธ์ (ไทย) 3:

3.2.3 สมมติฐานว่างหรือ
ให้พื้นที่ค้นหาเฉพาะ กําหนดโดย สถาปัตยกรรมของเครือข่ายและข้อมูลการฝึกอบรม
ให้ เราก็ใช้จุดใด ๆ ในพื้นที่ที่ให้ไว้โดยเฉพาะ วิธีที่เราเลือกที่จะท่องอวกาศ
สมมติฐานที่เป็นไปได้ กําหนดชนิดของ ensemble
เราจะจบลงด้วย
.
regularisation วิธีการบางคนเขียนได้พบประโยชน์จากการใช้ regularisation ระยะยาวในฟังก์ชันข้อผิดพลาด
สำหรับเครือข่าย เหตุผลนี้เกิดจาก tikhonov ทำงานป่วยถูกวางปัญหา [ 132 ] พบว่า ระยะเวลาในการทำงาน รวมถึงข้อผิดพลาดที่นอกเหนือจาก
ไปยังฟังก์ชันวัตถุประสงค์ ได้อย่างมีประสิทธิภาพสามารถควบคุมค่าความแปรปรวน trade-off3 . การใช้วิธีการนี้
, ข้อผิดพลาดของเครือข่ายเป็น