ข้ามฟีเจอร์ที่ซับซ้อนมากขึ้น

มาลองผสมผสานกับการผสมผสานฟีเจอร์ขั้นสูงบางส่วน ชุดข้อมูลใน Playground นี้ การออกกำลังกายดูเหมือนเสียงดังหน่อย กลางเป้าจากเกมปาเป้า โดยมีจุดสีน้ำเงินอยู่ตรงกลาง จุดสีส้มในวงแหวนด้านนอก

คลิกไอคอนบวกเพื่อดูคำอธิบายการแสดงภาพโมเดล

แบบฝึกหัด Playground แต่ละรายการจะแสดงการแสดงภาพ สถานะของโมเดล ลองดูตัวอย่างด้านล่างนี้

สิ่งที่ควรทราบเกี่ยวกับการแสดงภาพโมเดลมีดังนี้

• แกนแต่ละแกนแสดงถึงองค์ประกอบเฉพาะ ในกรณีที่เป็นจดหมายขยะ ไม่ใช่สแปม ฟีเจอร์อาจเป็นจำนวนคำและจำนวนผู้รับ อีเมล
  หมายเหตุ: ค่าแกนที่เหมาะสมจะขึ้นอยู่กับข้อมูลฟีเจอร์ ค่าแกนที่แสดงด้านบนไม่เหมาะกับจำนวนคำหรือจำนวนผู้รับ เพราะไม่ใช่ทั้ง 2 ค่าติดลบ
• แต่ละจุดจะแสดงค่าฟีเจอร์สำหรับตัวอย่างข้อมูล 1 รายการ เช่น อีเมล
• สีของจุดแสดงถึงคลาสของตัวอย่าง ตัวอย่างเช่น จุดสีน้ำเงินอาจหมายถึงอีเมลที่ไม่ใช่จดหมายขยะ ในขณะที่ จุดสีส้มหมายถึงอีเมลสแปม
• สีพื้นหลังจะแสดงการคาดการณ์ของโมเดลว่าตัวอย่างตำแหน่งใด ของสีนั้น พื้นหลังสีฟ้ารอบจุดสีน้ำเงิน หมายความว่าโมเดล คาดการณ์ตัวอย่างนั้นอย่างถูกต้อง ในทางกลับกัน พื้นหลังสีส้มรอบจุดสีน้ำเงินหมายความว่าโมเดลนั้น คาดการณ์ตัวอย่างไม่ถูกต้อง
• ระบบจะปรับขนาดพื้นหลังบลูส์และส้ม ตัวอย่างเช่น ด้านซ้ายของ ภาพเป็นสีฟ้าทึบแต่ค่อยๆ จางเป็นสีขาวตรงกลาง ของการแสดงภาพ ลองคิดว่าความเข้มของสีชี้ให้เห็น ความมั่นใจในการคาดเดาของโมเดล ดังนั้นสีน้ำเงินทึบหมายความว่าโมเดล มั่นใจในการคาดเดาของตัวเอง และสีฟ้าอ่อนหมายความว่าโมเดล ไม่ค่อยมั่นใจ (ภาพโมเดลที่แสดงในภาพกำลังทำ ใช้การคาดการณ์ได้ไม่ดี)

ใช้การแสดงภาพเพื่อประเมินความคืบหน้าของโมเดล ("ดีมาก จุดสีน้ำเงินส่วนใหญ่มีพื้นหลังเป็นสีน้ำเงิน" หรือ "ไม่นะ! จุดสีน้ำเงินมีพื้นหลังสีส้ม") ก้าวล้ำเหนือสีสัน, Playground จะแสดงการสูญเสียปัจจุบันของโมเดลเป็นตัวเลขด้วย ("ไม่นะ การสูญเสียเพิ่มขึ้นแทนที่จะลดลง")

งานที่ 1: เรียกใช้โมเดลเชิงเส้นนี้ตามที่ให้ไว้ ใช้เวลา 1-2 นาที (แต่ไม่ นานขึ้น) ลองใช้การตั้งค่าอัตราการเรียนรู้แบบต่างๆ เพื่อดูว่าคุณจะเห็น การปรับปรุงใดๆ รูปแบบเชิงเส้นสร้างผลลัพธ์ที่มีประสิทธิภาพสำหรับ ชุดข้อมูลนี้

งานที่ 2: ลองเพิ่มฟีเจอร์ข้ามผลิตภัณฑ์ เช่น x₁x₂ กำลังพยายามเพิ่มประสิทธิภาพ

• ฟีเจอร์ใดช่วยได้มากที่สุด
• ประสิทธิภาพที่ดีที่สุดที่คุณจะได้รับคืออะไร

งานที่ 3: เมื่อได้โมเดลที่ดีแล้ว ให้ตรวจสอบเอาต์พุตของโมเดล พื้นผิว (แสดงตามสีพื้นหลัง)

1. รูปแบบนี้มีลักษณะเหมือนโมเดลเชิงเส้นไหม
2. คุณจะอธิบายโมเดลนี้ว่าอย่างไร

(คำตอบจะปรากฏใต้แบบฝึกหัด)

---

---

คลิกไอคอนบวกเพื่อดูคำตอบของงานที่ 1

ไม่ได้ โมเดลเชิงเส้นไม่สามารถสร้างโมเดลชุดข้อมูลนี้ได้อย่างมีประสิทธิภาพ ลดต้นลดดอก อัตราการเรียนรู้ช่วยลดการสูญเสีย แต่ความสูญเสียก็ยังคงสัมพันธ์กันใน ค่าที่สูงอย่างไม่อาจยอมรับได้

คลิกไอคอนบวกเพื่อดูคำตอบของงานที่ 2

ระบบจะสร้างชุดข้อมูลของ Playground แบบสุ่ม ด้วยเหตุนี้ คำตอบอาจไม่ตรงกับคำตอบของคุณเสมอไป อันที่จริง หากคุณ สร้างชุดข้อมูลใหม่ระหว่างการเรียกใช้ ซึ่งผลลัพธ์ของคุณอาจไม่ได้เสมอไป ตรงกับการเรียกใช้ก่อนหน้านี้ของคุณทุกประการ แต่ประสิทธิภาพจะดีขึ้น โดยทำตามขั้นตอนต่อไปนี้

• การใช้ทั้ง x₁² และ x₂² เป็น กากบาทคุณลักษณะ (เพิ่ม x₁x₂ เป็นกากบาทในจุดสนใจ ดูเหมือนจะไม่ได้ผล)
• ลดอัตราการเรียนรู้ อาจเป็น 0.001

คลิกไอคอนบวกเพื่อดูคำตอบของงานที่ 3

พื้นผิวเอาต์พุตโมเดลไม่ดูเหมือนโมเดลเชิงเส้น แต่เป็น รูปวงรี