MATLAB、Python、Scilab、Julia比較ページはこちら
https://www.simulationroom999.com/blog/comparison-of-matlab-python-scilab/
はじめに
の、
MATLAB,Python,Scilab,Julia比較 第4章 その17【決定境界直線の安定化④】
を書き直したもの。
形式ニューロンの決定境界直線がギリギリのところにある問題の対策としてカスタムヘヴィサイド(造語)を使用したプログラムを作成。
今回はMATLAB。
【再掲】カスタムヘヴィサイド(造語)
とりあえず形式ニューロンをカスタムヘヴィサイド(造語)にしたものMATLABでやる。
まずは、カスタムヘヴィサイド関数を再掲しておく。
\(
\begin{cases}
y=0&(x\le -2.5) \\
y=1&(2.5\le x) \\
y=2x+0.5&(-2.5\lt x \lt 2.5)
\end{cases}
\)
MATLABコード
MATLABコードは以下。
custom_heaviside.m
function output = custom_heaviside(x)
output = (x < -0.25) .* 0 + (x >= -0.25 & x <= 0.25) .* ( 2*x + 0.5 ) + (x > 0.25) .* 1;
end% データセットの入力
X = [0, 0; 0, 1; 1, 0; 1, 1];
% データセットの出力
Y = [0; 0; 0; 1];
% パラメータの初期値
W = zeros(2, 1); % 重み
b = 0; % バイアス
num_epochs = 10000; % 学習のエポック数
learning_rate = 0.1; % 学習率
min_loss = realmax;
learning_range = 4;
n=length(Y)
% 重みの総当たり計算
for w1 = -learning_range:learning_rate:learning_range
for w2 = -learning_range:learning_rate:learning_range
for b = -learning_range:learning_rate:learning_range
% フォワードプロパゲーション
Z = X * [w1; w2] + b; % 重みとバイアスを使用して予測値を計算
A=custom_heaviside(Z); % ヘヴィサイド活性化関数を適用
% 損失の計算
loss = 1/n * sum((A - Y).^2); % 平均二乗誤差
% 最小損失の更新
if loss < min_loss
min_loss = loss;
best_w1 = w1;
best_w2 = w2;
best_b = b;
end
end
end
% ログの表示
fprintf('loss: %f\n', min_loss);
fprintf('weight: w1 = %f, w2 = %f\n', best_w1, best_w2);
fprintf('bias: b = %f\n', best_b);
end
% 最小損失の重みを更新
W = [best_w1; best_w2];
b = best_b;
% 学習結果の表示
fprintf('learning completed\n');
fprintf('weight: w1 = %f, w2 = %f\n', W(1), W(2));
fprintf('bias: b = %f\n', b);
% 出力結果確認
fprintf('X=');
disp(X);
fprintf('X=');
disp(custom_heaviside(X*[W(1);W(2)]+b));
% 決定境界線のプロット
x1 = linspace(-0.5, 1.5, 100); % x1の値の範囲
x2 = -(W(1) * x1 + b) / W(2); % x2の計算
figure;
hold on;
scatter(X(Y == 0, 1), X(Y == 0, 2), 'filled', 'MarkerFaceColor', 'r');
scatter(X(Y == 1, 1), X(Y == 1, 2), 'filled', 'MarkerFaceColor', 'b');
x1 = [min(X(:, 1))-1 max(X(:, 1))+1];
x2 = -(W(1)*x1 + b) / W(2);
plot(x1, x2, 'k', 'LineWidth', 2);
xlim([-0.5 1.5]);
ylim([-0.5 1.5]);
title(sprintf('Loss: %.4f', loss));
legend('Class 0', 'Class 1', 'Decision Boundary');
grid;
hold off;
処理結果
処理結果は以下。
weight: w1 = 0.600000, w2 = 0.600000
bias: b = -0.900000
X= 0 0
0 1
1 0
1 1
Y= 0
0
0
1考察
ばっちり決定境界直線がいい感じのところに移動した。
変更点はヘヴィサイド関数をカスタムヘヴィサイド関数に差し替えただけで、他は全く弄ってない。
傾斜を付けたから、より正しいパラメータを見つけることができるようになった。
まとめ
- 形式ニューロンの活性化関数をカスタムヘヴィサイド(造語)関数にしたものをMATLABで作成。
- 狙い通りの位置に決定境界直線が移動。
- コードはヘヴィサイド関数をカスタムヘヴィサイド関数に変えただけ。
MATLAB、Python、Scilab、Julia比較ページはこちら
Pythonで動かして学ぶ！あたらしい線形代数の教科書
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
ゼロからはじめるPID制御
恋する統計学[回帰分析入門(多変量解析1)] 恋する統計学[記述統計入門]
OpenCVによる画像処理入門
Pythonによる制御工学入門
理工系のための数学入門 ―微分方程式・ラプラス変換・フーリエ解析
コメント