Flashcards
Regresión logística
Cards in this deck (17)
- 1¿Qué es la regresión logística?Un algoritmo de clasificación binaria, cuyo resultado es un valor de salida discreto
- 2En reconocimiento de patrones o machine learning ¿qué representa un verctor de características?Respresenta un objeto, por ejemplo una imagen
- 3¿Cómo se almacena una imgen en un computador?Como tres matrices separadas que corresponden a los colores RGB, estas matrices tienen el mismo tamaño que la imagen, lo cual corresponde a la resolución
- 4¿Qué representa cada celda de la matriz de una imagen RGB?La intensidad del color ya sea R, G o B. Esta se ha estandarizado entre 0 y 255, donde 255 es la máxima intensidad. El blanco se forma con los tres en 255 y el negro es la ausencia de todos ellos, es decir todos en 0.
- 5¿Cómo se crea el vector de características de una imagen?Se une en un sólo vector los valores de intensidad de los pixeles por cada color
- 6La regresión logística es un algoritmo usado en aprendizaje supervizado ¿en qué tipo de problemas se usa?En problemas donde la salida \(y\) es toda ceros o unos
- 7¿Cuál es el objetivo de la regresión logística?Minimizar el error entre sus predicciones y los datos de entrenamiento
- 8La regresión logística hace uso de la función sigmoide ¿cómo está esta definida y qué asíntotas horizontales tiene?\(\sigma (z) = \frac{1}{1+e^{-z}}\)
Para valores grandes positivos de \(z\) tiende a 1
Para valores grandes negativos de \(z\) tiende a 0
Adicionalmente si \(z=0\) la función vale 0.5 - 9¿Por qué se usa la función \(\sigma (z)\) en lugar de solamente la función lineal de la forma \(ax+b\)?Porque lo que se busca es una probabilidad, es decir un valor entre 0 y 1
- 10La entrada en una regresión logística es el vector de características \(x\), tiene como parámetros \(w\) y \(b\), ¿cómo se define la salida \(\hat{y}\)Se define como \(\hat{y}=\sigma (w^{T}x+b)\)
- 11¿Qué necesitamos para entrenar los parámetros \(w\) y \(b\)Definir la función costo, que es dependiente de la función pérdida (loss)
- 12F o V. La función pérdida (loss) calcula el error para un único ejemplo de entrenamientoVERDADERO porque esta función calcula la discrepancia entre la predicción (\(\hat{y}^{\left ( i \right )}\)) y la salida deseada (\(y^{\left ( i \right )}\))
- 13¿Cómo se definirá la función pérdida (loss) y qué comportamiento debe tener cuando y = 1 o y = 0?\(L(\hat(y),y)=-(y\log \hat{y} + (1-y)\log (1-\hat{y}))\)
Si y = 1 debería ser cercana a 1
Si y = 0 debería ser cercana a 0 - 14¿Qué es la función costo y qué buscamos con ella?Es el promedio de la función error de todo el conjunto de entrenamiento. Lo que buscamos con ella es encontrar los parámetros \(w\) y \(b\) que la minimicen
- 15¿Cómo se desarrollan los cálculos de una red neuronal de acuerdo con las gráficas de cálculo?Con los pasos hacia adelante se calcula la salida de la red neuronal, luego con pasos hacia atrás o de vuelta se calculan los gradientes o derivadas
- 16¿Por qué es útil vectorizar?Para deshacernos de los ciclos for explícitos, que toman mayor tiempo de ejecución, porque lo ideal en esta época de Deep Learning es reducir el tiempo de cómputo
- 17¿Cuál es la primera derivada de la función sigmoide \(\sigma (x)\)?\({\sigma}'=\sigma (x)(1-\sigma (x))\)
Information
- Description
- Flashcards on Regresión logística, created by Johan Sebastian Macias Zapata on 15/06/2018.
- Created by
- Johan Sebastian Macias Zapata
- Views
- 0
- Rating