Экстремальное машинное обучение состоит всего из 1 скрытого слоя с несколькими нейронами. Это называется нейронной сетью прямой связи с одним скрытым слоем (SLFN). По сравнению с ELM, I-ELM обладает теми качествами, что ошибка вывода неуклонно уменьшается и близка к нулю по мере увеличения количества скрытых нейронов (Huang, Chen, et al., 2006). Это разумно для задач регрессии и классификации в машинном обучении.
Следуйте за мной на Github: https://github.com/durveshshah
Ссылка на Github для классификации и регрессии: https://github.com/durveshshah/Machine-Learning
Набор данных классификации:
Этот набор классификационных данных соответствует CIFAR-10.
Набор данных можно найти здесь: https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
• Имеется 50 000 обучающих изображений и 10 000 тестовых изображений. Он имеет пять тренировочных партий и 1 тестовую партию.
- Набор данных состоит из 10 классов, которые я вычислил как x в своем коде, например x0, x1…….x9.
Точность и стоимость
➔ Точность обучения: 43,14 % после 500 итераций.
➔ Стоимость обучения: 900 секунд
➔ Точность тестирования: 38 % после 500 итераций
➔ Стоимость тестирования: 7,79 секунды.
Набор данных регрессии:
Ссылка на набор данных UCI: https://archive.ics.uci.edu/ml/datasets/combined+cycle+power+plant
Набор данных содержит 9568 строк по электростанции комбинированного цикла, охватывающей проект за 6 лет (2006–2011 гг.). Этот набор данных будет прогнозировать выход электроэнергии на основе количества функций.
• Этот набор данных включает 4 функции и 1 выход, есть четыре входа.
• Характеристики включают температуру (T), давление окружающей среды (AP), относительную влажность (RH), вакуум на выходе (V).
- Выходная мощность - чистая почасовая выработка электроэнергии (PE).
Точность и стоимость
➔ Ошибка RMSE для обучения: 0,00047 после 50 итераций.
➔ Стоимость обучения: 3763 секунды
➔ RMSE Error для тестирования: 0,502 после 50 итераций
➔ Стоимость тестирования: 8,44 секунды.
