Incroci di caratteristiche più complessi

Ora vediamo alcune combinazioni di incroci di caratteristiche avanzate. Il set di dati in questo Playground l'allenamento sembra un po' rumoroso centro del bersaglio di una partita di freccette, con i puntini blu al centro e i puntini arancioni in un anello esterno.

Fai clic sull'icona Più per una spiegazione della visualizzazione del modello.

Ogni esercizio Playground mostra una visualizzazione lo stato desiderato del modello. Ad esempio, ecco una visualizzazione:

Tieni presente quanto segue per la visualizzazione del modello:

• Ciascun asse rappresenta una caratteristica specifica. In caso di spam o non spam, come il conteggio delle parole e il numero di destinatari email.
  Nota: i valori appropriati dell'asse dipenderanno dai dati delle caratteristiche. I valori dell'asse mostrati sopra non hanno senso per il conteggio delle parole o per il numero di destinatari, poiché nessuno dei due può essere negativo.
• Ogni punto traccia i valori delle caratteristiche per un esempio dei dati, come un'email.
• Il colore del punto rappresenta la classe a cui appartiene l'esempio. Ad esempio, i punti blu possono rappresentare le email che non sono spam, mentre i punti arancioni possono rappresentare le email di spam.
• Il colore di sfondo rappresenta la previsione del modello del punto in cui gli esempi di quel colore. Uno sfondo blu intorno a un punto blu significa che il modello prevede correttamente l'esempio. Al contrario, uno sfondo arancione attorno a un pallino blu indica che il modello a prevedere erroneamente l'esempio.
• I blu e gli arancioni sullo sfondo sono scalati. Ad esempio, il lato sinistro di la visualizzazione è blu fissa, ma passa gradualmente al bianco al centro della visualizzazione. L'intensità del colore è un suggerimento l'affidabilità del modello nella sua ipotesi. Il blu indica che il modello è molto sicura della sua ipotesi e l'azzurro significa che il modello è meno sicura. (La visualizzazione del modello mostrata nella figura mostra un lavoro di previsione scadente.)

Usa la visualizzazione per valutare i progressi del modello. ("Eccellente: la maggior parte dei punti blu ha uno sfondo blu" oppure "Oh, no! I punti blu hanno uno sfondo arancione.") Oltre i colori, Playground mostra numericamente anche la perdita attuale del modello. ("Oh, no! la perdita sta aumentando anziché diminuirla.")

Attività 1: esegui questo modello lineare come previsto. Dedica un minuto o due (ma non più tempo) provare diverse impostazioni del tasso di apprendimento per vedere se riesci a trovare per apportare miglioramenti. Un modello lineare può produrre risultati efficaci per questo set di dati?

Attività 2: ora prova ad aggiungere caratteristiche tra prodotti, ad esempio x₁x₂, cercando di ottimizzare le prestazioni.

• Quali funzionalità sono più utili?
• Qual è il rendimento migliore che puoi ottenere?

Attività 3: se hai un modello efficace, esamina l'output del modello (indicata dal colore dello sfondo).

1. Ha l'aspetto di un modello lineare?
2. Come descriveresti il modello?

Le risposte vengono visualizzate immediatamente sotto l'esercizio.

---

---

Fai clic sull'icona Più in corrispondenza della risposta all'Attività 1.

No. Un modello lineare non può modellare efficacemente questo set di dati. In riduzione il tasso di apprendimento riduce la perdita, ma converge comunque a un valori inaccettabilmente elevati.

Fai clic sull'icona Più in corrispondenza di una risposta all'attività 2.

I set di dati di Playground vengono generati in modo casuale. Di conseguenza, le risposte potrebbero non essere sempre esattamente d'accordo con le tue. Infatti, di rigenerare il set di dati tra le esecuzioni, i tuoi risultati non sempre con le stesse esecuzioni precedenti. Detto questo, otterrai risultati migliori eseguendo queste operazioni:

• Usare sia x₁² che x₂² come incroci di caratteristiche. (Aggiunta di x₁x₂ come incrocio di caratteristiche) non sembra aiutare).
• Riducendo il tasso di apprendimento, magari a 0,001.

Fai clic sull'icona Più in corrispondenza di una risposta all'Attività 3.

La superficie di output del modello non ha l'aspetto di un modello lineare. Piuttosto, sembra un'ellittica.