Croisements de caractéristiques plus complexes

Voyons maintenant quelques combinaisons avancées de croisements de caractéristiques. L'ensemble de données dans Playground vos exercices ont l'air bruyants dans un jeu de fléchettes dans le mille, avec les points bleus au milieu et les points orange dans un anneau extérieur.

Cliquez sur l'icône Plus pour obtenir une explication de la visualisation du modèle.

Chaque exercice Playground affiche une visualisation de l'activité actuelle l'état du modèle. Par exemple, voici une visualisation:

Veuillez noter les points suivants concernant la visualisation du modèle:

• Chaque axe représente une caractéristique spécifique. Dans le cas des spams et des non-spams, les caractéristiques peuvent être le nombre de mots et le nombre de destinataires e-mail.
  Remarque:Les valeurs d'axe appropriées dépendent des données des caractéristiques. Les valeurs d'axe indiquées ci-dessus n'auraient aucun sens pour le nombre de mots ou de destinataires, car aucune de ces valeurs ne peut être négative.
• Chaque point représente les valeurs des caractéristiques pour un exemple de données : un e-mail.
• La couleur du point représente la classe à laquelle appartient l'exemple. Par exemple, les points bleus peuvent représenter les e-mails légitimes, tandis que les points orange peuvent représenter du spam.
• La couleur d'arrière-plan représente la prédiction du modèle concernant l'endroit où les exemples de cette couleur. Un point bleu sur fond bleu signifie que le modèle prédit correctement cet exemple. À l'inverse, un point bleu sur fond orange signifie que le modèle prédisant à tort cet exemple.
• Les tons bleus et orange d'arrière-plan sont dégradés. Par exemple, le côté gauche de la visualisation est bleue unie, mais passe progressivement au blanc au centre de la visualisation. Vous pouvez considérer l'intensité de la couleur comme une suggestion la confiance du modèle dans son estimation. Le bleu uni signifie que le modèle est très confiant quant à ses estimations. Le bleu clair indique que le modèle est moins confiant. (La visualisation du modèle illustrée dans la figure un mauvais travail de prédiction.)

Utilisez la visualisation pour évaluer la progression de votre modèle. ("Excellent : la plupart des points bleus ont un arrière-plan bleu." ou "Oh non ! Les points bleus ont un arrière-plan orange.") Au-delà des couleurs, Playground affiche également la perte actuelle du modèle sous forme numérique. ("Oh non ! la perte augmente au lieu de diminuer.")

Tâche 1:exécutez ce modèle linéaire comme indiqué. Passez une ou deux minutes en essayant différents paramètres de taux d'apprentissage pour voir si vous pouvez trouver d'amélioration. Un modèle linéaire peut-il produire des résultats efficaces ce jeu de données ?

Tâche 2:essayez à présent d'ajouter des caractéristiques de produits croisés, telles que x₁x₂, pour essayer d'optimiser les performances.

• Quelles fonctionnalités sont les plus utiles ?
• Quelles sont les meilleures performances que vous pouvez obtenir ?

Tâche 3:lorsque vous disposez d'un bon modèle, examiner la sortie du modèle (comme indiqué par la couleur d'arrière-plan).

1. Ressemble-t-elle à un modèle linéaire ?
2. Comment décririez-vous le modèle ?

(Les réponses s'affichent juste en dessous de l'exercice.)

---

---

Cliquez sur l'icône Plus pour afficher la réponse à la tâche 1.

Non. Un modèle linéaire ne peut pas modéliser efficacement cet ensemble de données. En baisse le taux d'apprentissage réduit la perte, mais celle-ci converge tout de même une valeur trop élevée.

Cliquez sur l'icône Plus pour afficher la réponse à la tâche 2.

Les ensembles de données de Playground sont générés de manière aléatoire. Par conséquent, nos les réponses peuvent ne pas toujours correspondre exactement aux vôtres. En fait, si vous l'ensemble de données entre les exécutions, vos propres résultats ne seront pas toujours correspondent exactement à vos exécutions précédentes. Cela étant dit, vous vous améliorerez en procédant comme suit:

• En utilisant à la fois x₁² et x₂² comme les croisements de caractéristiques. (Ajout de x₁x₂ comme croisement de caractéristiques ne semble pas l'aider.)
• En réduisant le taux d'apprentissage, à 0,001, par exemple.

Cliquez sur l'icône Plus pour afficher la réponse à la tâche 3.

La surface de sortie du modèle ne ressemble pas à un modèle linéaire. Il s'agit plutôt cela semble elliptique.