Lekce 17 - Neuronové sítě – Klasifikace do více tříd

V minulé lekci, Neuronové sítě - Dokončení křížové entropie, jsme hlouběji rozebrali téma křížové entropie - variantu "multi-class" a seznámili se s "negative log-likelihood".

V této lekci tutoriálu Neuronové sítě - Pokročilé se budeme zabývat klasifikací do více tříd. Naším cílem je mít konečně model, který dokáže rozlišit všechna čísla z datové sady MNIST (nebudeme se tedy dále zabývat pouze čtyřkou a devítkou). Správným způsobem řešení tohoto problému je použití funkce softmax(). Postupně si ukážeme různé přístupy a následně je porovnáme. Tato lekce bude o přístupu one-vs-one.

Nejprve importy:

import numpy as np
import matplotlib.pyplot as plt
import sklearn.preprocessing, sklearn.datasets, sklearn.model_selection

Pro začátek potřebujeme data. Šablona je stále stejná:

data, target = sklearn.datasets.fetch_openml('mnist_784', version=1, return_X_y=True, as_frame=False)
target = target.astype(int)
data = data.reshape(-1, 784)
data[data < 128] = 0
data[data > 0] = 1
data = np.hstack([data, np.ones((data.shape[0],1))])
train_data, test_data, train_target, test_target = sklearn.model_selection.train_test_split(data, target.astype(int), test_size=0.3, random_state=47)

...konec náhledu článku...
Pokračuj dál