Monte Carlo putus sekolah - AWS Bimbingan Preskriptif

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Monte Carlo putus sekolah

Salah satu cara paling populer untuk memperkirakan ketidakpastian adalah dengan menyimpulkan distribusi prediktif dengan jaringan saraf Bayesian. Untuk menunjukkan distribusi prediktif, gunakan:

Distribusi prediktif

dengan target AWS logo with "Amazon Web Services" text on a white background. , masukan X icon, typically used to represent closing or canceling an action. , dan Lambda function icon with a stylized λ (lambda) symbol in orange. banyak contoh pelatihan Mathematical formula showing D as a set of pairs (x_i, y_i) from i=1 to n. . Ketika Anda mendapatkan distribusi prediktif, Anda dapat memeriksa varians dan mengungkap ketidakpastian. Salah satu cara untuk mempelajari distribusi prediktif memerlukan belajar distribusi melalui fungsi, atau, setara, distribusi atas parameter (yaitu distribusi posterior parametrik Mathematical formula showing p(Θ|D) with vertical bar between Θ and D. .

Teknik putus sekolah Monte Carlo (MC) (Gal dan Ghahramani 2016) menyediakan cara scalable untuk mempelajari distribusi prediktif. MC putus sekolah bekerja dengan secara acak mematikan neuron dalam jaringan saraf, yang mengatur jaringan. Setiap konfigurasi putus sekolah sesuai dengan sampel yang berbeda dari perkiraan distribusi posterior parametrik Mathematical formula showing q(θ|D) representing a probability distribution. :

MC putus sekolah

di mana Greek letter theta subscript i, representing a mathematical variable or symbol. sesuai dengan konfigurasi putus sekolah, atau, setara, simulasi ~, sampel dari perkiraan parametrik posterior Mathematical formula showing q(θ|D) representing a probability distribution. , seperti yang ditunjukkan pada gambar berikut. Sampling dari perkiraan posterior Mathematical formula showing q(θ|D) representing a probability distribution. memungkinkan integrasi Monte Carlo kemungkinan model, yang mengungkap distribusi prediktif, sebagai berikut:

Distribusi prediktif dalam putus sekolah MC

Untuk kesederhanaan, kemungkinan dapat diasumsikan Gaussian didistribusikan:

Kemungkinan Gaussian

dengan fungsi Gaussian Mathematical equation showing N subscript V, representing a variable in a formula. ditentukan oleh mean Mathematical function f(x, θ) with x and θ as variables. dan varians Mathematical formula showing s prime as a function of x and theta. parameter, yang output oleh simulasi dari Monte Carlo putus sekolah BNN:

MC putus sekolah BNN

Gambar berikut mengilustrasikan MC putus sekolah. Setiap konfigurasi putus sekolah menghasilkan output yang berbeda dengan mengalihkan neuron secara acak (lingkaran abu-abu) dan pada (lingkaran hitam) dengan setiap propagasi ke depan. Beberapa forward pass dengan konfigurasi putus sekolah yang berbeda menghasilkan distribusi prediktif atas mean p (f (x, ø)).

MC putus sekolah

Jumlah forward melewati data harus dievaluasi secara kuantitatif, tetapi 30-100 adalah rentang yang tepat untuk dipertimbangkan (Gal dan Ghahramani 2016).