Komplexere Funktionsverknüpfungen

Lassen Sie uns nun mit einigen Kombinationen aus erweiterten Funktionen experimentieren. Das Dataset in diesem Playground Training wirkt lauter Zielscheibe von einem Dartspiel mit den blauen Punkten in der Mitte die orangefarbenen Punkte im äußeren Ring.

Klicken Sie auf das Pluszeichen, um eine Erläuterung der Modellvisualisierung aufzurufen.

Jede Playground-Übung zeigt eine Visualisierung der aktuellen Status des Modells. Hier ist ein Beispiel für eine Visualisierung:

Beachten Sie Folgendes zur Modellvisualisierung:

• Jede Achse stellt ein bestimmtes Element dar. Im Falle von Spam vs. kein Spam z. B. die Wortzahl und die Empfängerzahl der E-Mail.
  Hinweis:Die geeigneten Achsenwerte hängen von den Featuredaten ab. Die oben gezeigten Achsenwerte ergeben für die Wortzahl oder die Anzahl der Empfänger keinen Sinn, da keiner negativ sein kann.
• Jeder Punkt stellt die Featurewerte für ein Beispiel der Daten dar, z. B. eine E-Mail.
• Die Farbe des Punkts stellt die Klasse dar, zu der das Beispiel gehört. Die blauen Punkte können beispielsweise für E-Mails stehen, die kein Spam sind, während die orangefarbene Punkte können Spam-E-Mails darstellen.
• Die Hintergrundfarbe stellt die Vorhersage des Modells dar, wo Beispiele sollte gefunden werden. Ein blauer Hintergrund um einen blauen Punkt dass das Modell dieses Beispiel korrekt vorhersagt. Umgekehrt Ein orangefarbener Hintergrund um einen blauen Punkt bedeutet, dass das Modell die dieses Beispiel falsch vorhersagen.
• Die Hintergrund-Blautöne und Orangen werden skaliert. Zum Beispiel ist die linke Seite Die Visualisierung ist durchgängig blau, wird aber in der Mitte langsam weiß der Visualisierung. Sie können sich die Farbstärke wie sicher das Modell in seine Vermutung ist. Blau bedeutet also, dass das Modell sehr sicher ist und hellblau bedeutet, dass das Modell ist weniger zuversichtlich. (Die in der Abbildung gezeigte Modellvisualisierung keine gute Vorhersage getroffen hat.)

Verwenden Sie die Visualisierung, um den Fortschritt Ihres Modells zu beurteilen. ("Sehr gut – die meisten blauen Punkte haben einen blauen Hintergrund" oder „Oh nein! Die blauen Punkte haben einen orangefarbenen Hintergrund.") Playground zeigt auch den aktuellen Verlust des Modells in Zahlen an. („Oh nein! Der Verlust nimmt zu, anstatt ihn zu senken.“)

Aufgabe 1: Führen Sie dieses lineare Modell wie angegeben aus. Nehmen Sie sich ein oder zwei Minuten Zeit, und probieren Sie verschiedene Einstellungen für die Lernrate aus, um zu sehen, ob Verbesserungen möglich sind. Kann ein lineares Modell effektive Ergebnisse für dieses Dataset?

Aufgabe 2: Versuchen Sie nun, produktübergreifende Funktionen wie ×₁×₂ und es wird versucht, die Leistung zu optimieren.

• Welche Funktionen sind am hilfreichsten?
• Was ist die beste Leistung, die Sie erzielen können?

Aufgabe 3: Wenn Sie ein gutes Modell haben, untersuchen Sie die Modellausgabe. Oberfläche (wird durch die Hintergrundfarbe angezeigt).

1. Sieht es aus wie ein lineares Modell?
2. Wie würden Sie das Modell beschreiben?

(Die Antworten werden direkt unter der Übung angezeigt.)

---

---

Klicken Sie auf das Plus-Symbol für die Antwort auf Aufgabe 1.

Nein. Ein lineares Modell kann diesen Datensatz nicht effektiv modellieren. Sinkend reduziert die Lernrate den Verlust, aber der Verlust konvergiert einen inakzeptablen Mehrwert bieten.

Klicken Sie auf das Plus-Symbol, um eine Antwort auf Aufgabe 2 zu erhalten.

Die Datensätze von Playground werden zufällig generiert. Entsprechend fällt unsere Antworten möglicherweise nicht immer genau mit Ihren übereinstimmen. Wenn Sie zwischen den Ausführungen ein Dataset neu generieren können, werden Ihre eigenen Ergebnisse nicht immer mit Ihren vorherigen Ausführungen übereinstimmen. Trotzdem werden Sie Gehen Sie dazu so vor:

• Verwendung von x₁² und x₂² als Funktionsverknüpfungen. (x₁x₂ als Funktionsverknüpfung hinzufügen) scheint Ihnen nicht zu helfen.)
• Die Lernrate wird reduziert, möglicherweise auf 0,001.

Klicken Sie auf das Plus-Symbol, um eine Antwort auf Aufgabe 3 zu erhalten.

Die Modellausgabeoberfläche sieht nicht wie ein lineares Modell aus. Stattdessen sieht er elliptisch aus.