It can be seen that what we are rea

It can be seen that what we are really doing is evaluating the ability of our learning
algorithm L to update the parameter vector toward the optimal vector, given all possible
training sets and random parameter initializations. Just as we approximated (2.5) with
(2.7), we can approximate the expected error at a single testing point x with an average
over several training sets and several random parameter initializations:

ผลลัพธ์ (ไทย) 1:

จะเห็นได้ว่า อะไรเราจริง ๆ ทำเป็นประเมินความสามารถในการเรียนรู้ของเราอัลกอริทึม L ปรับปรุงแบบเวกเตอร์ของพารามิเตอร์ไปยังเวกเตอร์สุด ให้ได้ทั้งหมดชุดฝึกอบรมและพารามิเตอร์สุ่ม initializations เหมือนเราเลียนแบบ (2.5) ด้วย(2.7), เราสามารถประมาณข้อผิดพลาดที่คาดไว้ที่จุดเดียวทดสอบ x มีค่าเฉลี่ยฝึกหลายชุดและหลายพารามิเตอร์สุ่ม initializations:

ผลลัพธ์ (ไทย) 2:

จะเห็นได้ว่าสิ่งที่เรากำลังทำจริงๆคือการประเมินความสามารถในการเรียนรู้ของเราขั้นตอนวิธี L เพื่อปรับปรุงเวกเตอร์พารามิเตอร์ต่อเวกเตอร์ที่ดีที่สุดที่ได้รับเป็นไปได้ทั้งหมดชุดการฝึกอบรมและinitializations พารามิเตอร์แบบสุ่ม เพียงเท่านี้เราประมาณ (2.5) กับ(2.7) เราสามารถใกล้เคียงกับข้อผิดพลาดที่คาดไว้ที่จุดเดียวการทดสอบ x มีค่าเฉลี่ยมากกว่าชุดการฝึกอบรมหลายคนและหลายพารามิเตอร์สุ่มinitializations:

ผลลัพธ์ (ไทย) 3:

จะเห็นได้ว่า สิ่งที่เราทำคือการประเมินความสามารถในการเรียนรู้ของเรา
ขั้นตอนวิธีผมปรับปรุงพารามิเตอร์เวกเตอร์ที่มีเวกเตอร์ที่เหมาะสมให้หมด
ชุดฝึก initializations พารามิเตอร์แบบสุ่ม เช่นเดียวกับที่เราโดยประมาณ ( 2.5 )
( 2.7 ) เราสามารถประมาณคาดข้อผิดพลาดที่จุดทดสอบเดียวเฉลี่ย
xผ่านการฝึกอบรมหลายชุดและแบบ initializations พารามิเตอร์หลาย