より複雑な特徴クロス

高度な特徴クロスの組み合わせを試してみましょう。 このプレイグラウンドのデータセット ノイズがうるさいみたい 中央に青い点があり、 オレンジ色の点が点在しています。

プラスアイコンをクリックすると、モデルの可視化に関する説明が表示されます。

各プレイグラウンド エクササイズには、現在の モデルの状態を表します。たとえば、次の可視化を行います。

モデルの可視化については、次の点に注意してください。

• 各軸は特定の特徴を表します。スパムと非スパムの場合 単語数や受信者の数などが特徴量として できます。
  注: 適切な軸の値は特徴データによって異なります。上に示した軸の値は、単語数や受信者の数としては意味をなしません。どちらも負の値にできないためです。
• 各ドットは、次のようなデータの 1 つの例に対する特徴値をプロットしています。 メール。
• ドットの色は、この例が属するクラスを表します。 たとえば、青い点は迷惑メールではないメールを表し、 オレンジ色の点は迷惑メールを表します。
• 背景色は、サンプル領域におけるモデルの予測を示します。 表示されます。青い点の周りの青い背景 モデルはその例を正しく予測していることを意味します逆に 青い点の周りがオレンジ色であれば 予測は誤りです
• 背景の青とオレンジが調整されています。たとえば、Cloud Shell の左側で、 ビジュアリゼーションは青色で点灯しているが、中央で徐々に白くフェードインする 必要があります。色の強さは、強整合性の モデルの信頼度を示します。青色で点灯しているということは モデルはその推測に非常に自信があり 水色はモデルが入力内容に 自信が持てません。（図に示すモデルの可視化では、 予測がうまくいかないからです）

可視化を使用してモデルの進行状況を判断します。 （「非常に良い - 青い点のほとんどが青い背景である」または 「青い点の背景はオレンジ色」） 色を超えて、プレイグラウンド モデルの現在の損失も数値で表示されます。 「損失は下がるのではなく上がっていきます」）。

タスク 1: この線形モデルを指定されたとおりに実行します。1 ～ 2 分かけて学習する（ただし、 さまざまな学習率の設定を試して、 あります。線形モデルによって どうすればよいでしょうか。

タスク 2: 次に、次のような、積み重ねた特徴量を追加してみましょう。 x₁x₂。パフォーマンスの最適化を試みます。

• 役立つ機能
• 得られる最高のパフォーマンスは次のうちどれですか。

タスク 3: 優れたモデルができたら、モデルの出力を調べる （背景色で表示されます）。

1. 線形モデルのように見えますか？
2. このモデルをどのように説明しますか。

（解答は演習のすぐ下に表示されます）。

---

---

タスク 1 の答えのプラスアイコンをクリックします。

いいえ。線形モデルではこのデータセットを効果的にモデル化できません。低下 学習率は損失が減少しますが、損失は 許容できません

プラスアイコンをクリックすると、タスク 2 の解答が表示されます。

プレイグラウンドのデータセットはランダムに生成されます。その結果 必ずしもあなたの回答と完全に一致するとは限りません。実際、 実行の間にデータセットを再生成すると、自分の結果は必ずしも 以前の実行内容と完全に一致しますとはいえ、 結果が表示されます。

• x₁² と x₂² の両方を 学習します（x₁x₂ を特徴クロスとして追加 は役に立たないようです）。
• 学習率を 0.001 などに下げます。

プラスアイコンをクリックすると、タスク 3 の解答が表示されます。

モデルの出力サーフェスは線形モデルのようには見えません。代わりに、 楕円形に見えます。