นอร์ม(norm)
အဓိပ္ပာယ်များ
1နာမ်C1
နော်မ် (သင်္ချာ)
ဗက်တာ သို့မဟုတ် ဗက်တာရပ်ဝန်းရှိ အရာများအတွက် အရွယ်အစား/အလျားကို သတ်မှတ်ပေးသော ဖန်ရှင်တစ်ခုဖြစ်ပြီး အနုတ်လက္ခဏာမဖြစ်ခြင်း၊ တိကျသေချာခြင်း၊ အပေါင်းစစ်စစ်ဖြစ်ခြင်းနှင့် တြိဂံမညီမျှခြင်း တို့နှင့် ကိုက်ညီသည်။
ဥပမာများ
ในnaiในnai1၏၊ ပိုင်ဆိုင်သော၊ ဆိုင်သော2ထဲတွင်၊ အတွင်းပိုင်းတွင်3အတောအတွင်း၊ အတွင်း (အချိန်)วิชาwi-chaaวิชาwi-chaa1အသိပညာ၊ ကျွမ်းကျင်မှု၊ ပညာရပ်2ဘာသာရပ်၊ သင်ရိုး၊ ပညာရပ်နယ်ပယ်3အမျိုးအစားပြစကားလုံး (ဘာသာရပ်များအတွက်)4ဂါထာမန္တန်၊ အင်းအိုင်လက်ဖွဲ့ပညာคณิตศาสตร์ká-nít-dtà-sàatคณิตศาสตร์ká-nít-dtà-sàatသင်္ချာวันนี้wan néeวันนี้wan née1ယနေ့ခေတ်တွင်၊ လက်ရှိတွင်2ယနေ့၊ ဒီကနေ့3ယနေ့ (စကားပြောဆိုနေသောအချိန်)၊ ဒီကနေ့เราraoเราrao1ငါတို့၊ ကျွန်ုပ်တို့2ငါ၊ ကျွန်ုပ် (အလွတ်သဘော)จะjàจะjà1မည်၊ လိမ့်မည်2လုနီးပါး၊ တော့မည် (မကြာမီ အနာဂတ်)3မည် (အနာဂတ်/ရည်ရွယ်ချက်ပြ စကားလုံး)เรียนriianเรียนriian1စာသင်သည်၊ လေ့လာသည်2[သင်တန်း/ဘာသာရပ်] တက်သည်3လေးစားစွာ အသိပေးသည် (တရားဝင်)เรื่องrêuuangเรื่องrêuuang1-အကြောင်း၊ ပတ်သက်၍2ဇာတ်လမ်း၊ ပုံပြင်3အမျိုးအစားပြစကားလုံး (ဇာတ်လမ်း၊ ရုပ်ရှင်၊ အမှုအခင်း စသည်)4ကိစ္စ၊ အကြောင်းအရာ၊ ပြဿနာนอร์มnormนอร์มnormနော်မ် (သင်္ချာ)ของkŏngของkŏng1၏ (ပိုင်ဆိုင်မှုပြပစ္စည်း)2ပစ္စည်းဥစ္စာ၊ ကုန်ပစ္စည်း3ပစ္စည်း၊ အရာဝတ္ထုเวกเตอร์wêk-dtə̂əเวกเตอร์wêk-dtə̂ə1ရောဂါသယ်ဆောင်သော ကြားခံကောင် (ဇီဝဗေဒ)2ဗက်တာ (ကွန်ပျူတာ / ဒေတာ)3ဗက်တာ (သင်္ချာ / ရူပဗေဒ)4ဗီဇသယ်ဆောင်သူ ကြားခံ (မျိုးရိုးဗီဇ)
ဒီနေ့ သင်္ချာအတန်းမှာ vector တစ်ခုရဲ့ norm အကြောင်းကို သင်ယူကြပါမယ်။
နောက်ထပ် ဥပမာ 3 ခုလျှော့ပြပါ
เราraoสามารถsăa-mâatใช้cháiนอร์มnormแบบbàepยุคลิดyú-klítเพื่อpêuuaคำนวณkam-nuuanขนาดkà-nàatหรือrĕuความยาวkwaam yaaoของkŏngเวกเตอร์wêk-dtə̂əในnaiปริภูมิbpà-rí-poomสองsŏngมิติmí-dtìได้dâi
နှစ်ဘက်မြင်ဟင်းလင်းပြင် (two-dimensional space) ရှိ vector တစ်ခုရဲ့ ပမာဏ သို့မဟုတ် အလျားကို တွက်ချက်ဖို့ Euclidean norm ကို အသုံးပြုနိုင်ပါတယ်။
การเลือกใช้gaan lêuuak cháiนอร์มnormL1หรือrĕuL2จะjàส่งผลต่อsòng pŏn dtòrผลลัพธ์pŏn-lápของkŏngแบบจำลองbàep jam longการเรียนรู้ของเครื่องgaan riian-róo kŏng krêuuangแตกต่างกันไปdtàek dtàang gan bpaiโดยเฉพาะdoi chá-pórในnaiเรื่องrêuuangการทำให้gaan tam hâiสัมประสิทธิ์săm-bprà-sìtบางbaangตัวdtuuaเป็นbpenศูนย์sŏon
L1 သို့မဟုတ် L2 norm ကို အသုံးပြုရန် ရွေးချယ်မှုသည် machine learning model ၏ ရလဒ်အပေါ် ကွဲပြားစွာ သက်ရောက်မှုရှိပြီး၊ အထူးသဖြင့် coefficient အချို့ကို သုညဖြစ်အောင် လုပ်ဆောင်နိုင်စွမ်းနှင့် ပတ်သက်၍ ဖြစ်သည်။
คุณสมบัติkun-ná-sŏm-bàtที่สำคัญtêe săm-kanอย่างหนึ่งyàang nèungของkŏngนอร์มnormคือkeuการgaanเป็นไปตามbpen bpai dtaamอสมการà-sà-má-gaanอิงingรูปสามเหลี่ยมrôop săam lìiamtriangleinequalityซึ่งsêungรับประกันráp bprà-ganว่าwâaระยะทางrá-yá taangที่têeวัดwátได้dâiนั้นnánสมเหตุสมผลsŏm-hàyt-sŏm-pŏn
Norm တစ်ခု၏ အရေးကြီးသော ဂုဏ်သတ္တိများထဲမှ တစ်ခုမှာ ၎င်းသည် triangle inequality ကို ပြည့်စုံစေခြင်းဖြစ်ပြီး၊ ၎င်းသည် တိုင်းတာရရှိသော 'အကွာအဝေး' သည် ယုတ္တိရှိကြောင်း အာမခံပါသည်။