Persilangan Fitur yang Lebih Kompleks

Sekarang, mari kita bermain dengan beberapa kombinasi persilangan fitur lanjutan. Set data di Playground ini latihan terlihat seperti berisik tepat sasaran dari permainan dart, dengan titik biru di tengah dan titik-titik oranye di cincin luar.

Klik ikon plus untuk mendapatkan penjelasan tentang visualisasi model.

Setiap latihan Playground menampilkan visualisasi data status model. Misalnya, berikut ini visualisasi:

Perhatikan hal berikut tentang visualisasi model:

• Setiap sumbu mewakili fitur tertentu. Dalam hal {i>spam<i} vs. bukan {i>spam,<i} fiturnya bisa berupa jumlah kata dan jumlah penerima email Anda.
  Catatan: Nilai sumbu yang sesuai akan bergantung pada data fitur. Nilai sumbu yang ditampilkan di atas tidak sesuai untuk jumlah kata atau jumlah penerima, karena keduanya juga tidak dapat bernilai negatif.
• Setiap titik menandai nilai fitur untuk satu contoh data, seperti email.
• Warna titik mewakili class contoh tersebut. Misalnya, titik biru dapat mewakili email non-spam sementara titik oranye dapat mewakili email spam.
• Warna latar belakang merepresentasikan prediksi model tempat contoh dari warna itu harus ditemukan. Latar belakang biru di sekitar titik biru berarti model memprediksi contoh tersebut dengan benar. Sebaliknya, latar belakang oranye di sekitar titik biru berarti bahwa model ini salah memprediksi contoh itu.
• Latar belakang biru dan oranye disesuaikan skalanya. Misalnya, sisi kiri visualisasi berwarna biru solid tetapi secara bertahap memudar menjadi putih di tengah dari visualisasi. Anda dapat menganggap kekuatan warna sebagai menyarankan kepercayaan model dalam tebakannya. Jadi warna biru solid berarti model sangat yakin dengan tebakannya dan biru muda berarti bahwa model kurang percaya diri. (Visualisasi model yang ditampilkan dalam gambar adalah prediksi yang buruk).

Gunakan visualisasi untuk menilai progres model Anda. ("Sangat baik—sebagian besar titik biru memiliki latar belakang biru" atau "Oh, tidak! Titik-titik biru memiliki latar belakang oranye.") Selain warna, Playground juga menampilkan kerugian model saat ini secara numerik. ("Oh tidak! Kerugian semakin naik, bukan turun.")

Tugas 1: Jalankan model linear ini seperti yang diberikan. Luangkan satu atau dua menit (tapi tidak lebih lama) mencoba setelan kecepatan pemelajaran yang berbeda untuk melihat apakah Anda dapat menemukan perbaikan apa pun. Dapatkah model linear memberikan hasil yang efektif untuk {i>dataset<i} ini?

Tugas 2: Sekarang coba tambahkan fitur lintas produk, seperti x₁x₂, mencoba mengoptimalkan performa.

• Fitur mana yang paling membantu?
• Berapa performa terbaik yang bisa Anda dapatkan?

Tugas 3: Jika Anda memiliki model yang bagus, periksa output model platform (ditunjukkan dengan warna latar belakang).

1. Apakah itu terlihat seperti model linear?
2. Bagaimana Anda akan menggambarkan model ini?

(Jawaban muncul tepat di bawah latihan.)

---

---

Klik ikon plus untuk jawaban Tugas 1.

Tidak. Model linear tidak dapat membuat model set data ini secara efektif. Lebih rendah kecepatan pembelajaran mengurangi kerugian, tetapi kerugian tetap menyatu pada sangat bernilai tinggi.

Klik ikon plus untuk jawaban Tugas 2.

Set data Playground dibuat secara acak. Oleh karena itu, mungkin tidak selalu sama persis dengan jawaban Anda. Bahkan, jika Anda membuat ulang set data di antara proses, hasil Anda sendiri tidak selalu setuju dengan operasi Anda sebelumnya. Meskipun demikian, Anda akan menjadi lebih baik dengan melakukan hal berikut:

• Menggunakan x₁² dan x₂² sebagai persilangan fitur. (Menambahkan x₁x₂ sebagai persilangan fitur tampaknya tidak membantu).
• Mengurangi Kecepatan pembelajaran, mungkin menjadi 0,001.

Klik ikon plus untuk jawaban Tugas 3.

Permukaan output model tidak terlihat seperti model linear. Sebaliknya, terlihat elips.