!$%##!&$!!"#!""!!$"!12また、はじめは上記■種類のモデルで実験を行っていたが、結果を見ると高エントロピー学習モデルの■種類は極端に予測精度が低いことが分かった。これより、下記■種類のモデルを新たに作成した。■トリム学習モデル（■種類）全画像モデルに使用した学習画像のうち、極端にエントロピーの値が高いものを除き、学習モデルを生成する。各モデル学習画像の枚数はそれぞれ■■，■■■枚である。本研究では、各モデルにおいて、■■エポックのうち最も高いAccuracy（正確度）のモデルを採用する。第■．■節で用意した■種類の学習モデルそれぞれに対し、モデルごとの予測精度や特徴を比較する。精度比較では、テスト用画像■■，■■■枚を用い、各モデルに対しテストを行う。テストの方法としては、各モデルに、全テスト画像をクラス分けさせ、その仕分け結果をもとに、Loss（損失関数）とAccuracy（正確度）を求める。勾配降下法を使用するためには目的関数という関数を設定する必要がある。これは、モデルを最適化する際に最小化される関数であり、その中でも、正解値と予測値の誤差（予測誤差）を計算する関数を損失関数と呼ぶ。また勾配降下法は大域的最適解に到達することを目標に学習を進める手法であり、すべての解の中で目的関数が最小となる解に近付くほど、モデルの精度は上がっていく。すなわち本手法では損失関数が低いほど、モデルの精度は高くなる。そして本研究では、損失関数に以下で表される交差エントロピー誤差を使用する。ここで!$は、大きさCのベクトルを用意して、数字に対応する要素を■、それ以外を■にする表現であるOne-hot表現された物体クラスラベル!の$番学生懸賞論文集第■■号■．■．実験方法
元のページ ../index.html#19