खोजने के लिए लागत फ़ंक्शन सीखें यह एक पर्यवेक्षित सीखने की समस्या है।ग्राफ़ सिद्धांत - इष्टतम पथ
मेरे पास एक निर्देशित विश्वकोश ग्राफ (डीएजी) है। प्रत्येक किनारे में एक्स एक्स के वेक्टर होते हैं, और प्रत्येक नोड (वर्टेक्स) में लेबल 0 या 1 होता है। कार्य लागत फ़ंक्शन डब्ल्यू (एक्स) ढूंढना है, ताकि नोड्स की किसी भी जोड़ी के बीच सबसे छोटा पथ उच्चतम अनुपात हो 1 से 0 एस (न्यूनतम वर्गीकरण त्रुटि)।
समाधान को सामान्यीकृत करना चाहिए। मैंने लॉजिस्टिक रिग्रेशन की कोशिश की, और सीखा लॉजिस्टिक फ़ंक्शन एक आने वाले किनारे की विशेषताओं को देने वाले नोड के लेबल को काफी अच्छी तरह से भविष्यवाणी करता है। हालांकि, ग्राफ के टोपोलॉजी को उस दृष्टिकोण से ध्यान में नहीं रखा जाता है, इसलिए पूरे ग्राफ में समाधान गैर-इष्टतम है। दूसरे शब्दों में, तर्कवादी कार्य ऊपर समस्या समस्या को देखते हुए एक अच्छा वजन समारोह नहीं है। http://en.wikipedia.org/wiki/Supervised_learning#How_supervised_learning_algorithms_work
यहां कुछ और जानकारी कर रहे हैं::
- प्रत्येक सुविधा सदिश एक्स एक घ है
हालांकि मेरी समस्या सेटअप ठेठ द्विआधारी वर्गीकरण समस्या सेटअप नहीं है, यहाँ यह करने के लिए एक अच्छा परिचय है वास्तविक संख्या की आयामी सूची।
- प्रत्येक किनारे में सुविधाओं का वेक्टर होता है। यही है, किनारों का सेट ई = {ई 1, ई 2, .. एन} और फीचर वैक्टर एफ = {एक्स 1, एक्स 2 ... एक्सएन} का सेट दिया गया है, फिर एज ईई वेक्टर शी से जुड़ा हुआ है।
- फ़ंक्शन एफ (एक्स) के साथ आना संभव है, ताकि f (Xi) संभावना है कि किनारे ईआई को 1 लेबल वाले नोड पर इंगित किया गया है। ऐसे फ़ंक्शन का एक उदाहरण है जिसका मैंने उल्लेख किया है उपरोक्त, रसद प्रतिगमन के माध्यम से मिला। हालांकि, जैसा कि मैंने उपरोक्त उल्लेख किया है, ऐसा कार्य गैर-इष्टतम है।
तो सवाल यह है: , (न्यूनतम ग्राफ, एक शुरू करने नोड और एक खत्म नोड, मैं इष्टतम लागत समारोह डब्ल्यू (एक्स) के बारे में जानने है को देखते हुए इतना है कि 0s को नोड्स 1s के अनुपात बड़ा किया गया है वर्गीकरण त्रुटि)?
क्या आप संभवतः विस्तार से क्या कर सकते हैं और इसका मतलब क्या है "यह काम नहीं करता"? – carlosdc
ग्राफ में केवल लेबल के लिए लेबल 0 और नोड के लिए दो नोड्स i.e. नोड है? हालांकि, उन नोड्स अलग हैं और इसका मतलब है कि कोई वास्तविक ग्राफ नहीं है? क्या आप अपने मॉडल और चयनित ग्राफ प्रतिनिधित्व पर अधिक विस्तृत जानकारी देंगे? – soufanom
@carlosdc। ठीक है, मैंने अपने लॉजिस्टिक रिग्रेशन दृष्टिकोण पर विस्तार से बताया, जो मेरे खिलौने डेटा पर काम नहीं करता था। धन्यवाद। – Diego