Studoši

jel za cross_entropy_error u dijelu s regularizacijom dodajemo reg. faktor? odnosno jel nam se regularizacija svodi samo na weight decay pribrojnik?

Skenk nema veze, uspio

Skenk kako si popravio

Jeste li u drugom zadatku koristili ugrađenu logističku regresiju(LogisticRegression) ili onu koju smo mi morali napisati tj. lr_train?

Me Eh zanemari što sam napisao ranije.

Okej je i jedno i drugo za taj zadatak. Što je točnije ovisi o definiciji točnosti i problemu, oba načina mogu imati i boljke i nedostatke. U praksi ljudi više vole uprosječivanje i ono se koristi za taj grupni gradijentni spust da gradijent ne ovisi o broju primjeraka.

bjunolulz SuperSjajan3

Možete napraviti razred CustomModel kojem predajete dobivene težine u konstruktoru. U tom razredu ponudimo funkciju predict(X) koja vraca np.array u kojem se nalaze predikcije za svaki primjer u X, uz zapamćene težine w.

Na kraju, poziv plot funckije može izgledati nekako ovako:
plot_2d_clf_problem(X, y, lambda x: customModel.predict(x) <= 0.5)

Ako vam se pojave greške radi različitih dimenzija w i x vodite računa o preslikavanju x unutar lambda funckije u Φ(x).

Skenk moze podijelit kako si uspio ovo, dosta vremena sam vec izgubio na ovome

SuperSjajan3 bjunolulz

Evo ovako mi izgleda taj dio za plotanje

u 1.e) i 2.a) dobim identicnu granicu izmedu klasa. S obzirom da ispod stoji pitanje “Zašto se rezultat razlikuje od onog koji je dobio model klasifikacije linearnom regresijom iz prvog zadatka?” pretpostavljam da ne bi tak trebalo bit? mislim koristio sam LogisticRegression u oba zadatka ne vidim sta sam mogo krivo napravit

angello2 evo skuzio sam sam, u drugom izleda treba radit sa svojom funkcijom.

kako vam izgleda graf u 3.? jel normalno da jedino za a=0 dobimo oke rjesenje a ostala su sva losija?

angello2 S obzirom da ispod stoji pitanje “Zašto se rezultat razlikuje od onog koji je dobio model klasifikacije linearnom regresijom iz prvog zadatka?”

Pretpostavljam da se taj dio odnosi na prethodni lab jer smo u njemu klasificirali pomocu lin. reg. Mozda su ta dva labosa bila zajedno prije pa su zaboravili to updateat.

angello2 ovako je meni ispalo:

u 1 e) ovaj C parametar u logistic regression bi trebo bit neki dosta velik broj??

U 2. i 3. zadatku koristite li vi nasu implementiranu funkciju ili LogisticalRegression?

Reznox Ja sam koristio našu implementiranu funkciju iz prvog zadatka. Ne znam točno koju je trebalo koristiti, ali vjerujem da neće biti problem bez obzira koju koristimo.

Kako se azurira eta u svakoj iteraciji u 1. b) zadatu?

MyKnee ne azuriras

[obrisani korisnik] da tak je i meni otprilike

samo zas ti iteracije idu preko 2k?

angello2 tako je kad dignem max_iter. radio sam tak svaki put kad mi u 2000 iteracija nije prekinuto zbog uvjeta za razliku greške s prošlom iteracijom, ne znam jel to dobro tbh