ダウンロード数: 135
このアイテムのファイル:
| ファイル | 記述 | サイズ | フォーマット | |
|---|---|---|---|---|
| 2159-07.pdf | 6.29 MB | Adobe PDF | 見る/開く |
| タイトル: | ニューラルネットワークにおける過学習に関する分析 |
| その他のタイトル: | On the Over-fitting in the Neural Network (Computer Algebra - Theory and its Applications) |
| 著者: | 鷲野, 朋広  高橋, 正 |
| 著者名の別形: | Washino, Tomohiro Takahashi, Tadashi |
| 発行日: | Jun-2020 |
| 出版者: | 京都大学数理解析研究所 |
| 誌名: | 数理解析研究所講究録 |
| 巻: | 2159 |
| 開始ページ: | 64 |
| 終了ページ: | 74 |
| 抄録: | 第1に, フィッシャーのアイリスデータに対してニューラルネットワークを作成し, 2種類(setosa, versicolor)を学習させる.次に, 学習済みのニューラルネットワークにおいて3種類(setosa, versicolor, virginica)を訓練データ, 1種類(virginica)をテストデータとして学習させる.このときテストデータの影響を過剰に受けてしまう状態について分類表を作成する.第2に, 学習モデル(中間ユニット数が1000である3層パーセプトロン)を作成し, 真の分布に従う訓練データを学習させる.このときニューラルネットワークの出力が訓練データを過剰に近似して過学習が起きる.この状態について訓練データとテストデータに対する損失を比較して調べる.また, 訓練データとテストデータに対して, 学習後のニューラルネットの出力をグラフで表す.次に, 学習モデル(中間ユニット数が2である3層パーセプトロン)を作成し, 訓練データを学習させる.このときニューラルネットワークの出力が訓練データを過剰に近似せず過学習が起こらない.この状態について学習の過程で変化するRMS重みをグラフで表す.最後に学習後の重みの収束値が真の分布を実現する学習モデルのパラメータ集合を満たすことを確かめる. |
| URI: | http://hdl.handle.net/2433/261346 |
| 出現コレクション: | 2159 Computer Algebra - Theory and its Applications |
このリポジトリに保管されているアイテムはすべて著作権により保護されています。