Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Neurales Netz
Dieses Dataset ist eine verrauschte Spirale. Natürlich funktioniert ein lineares Modell hier nicht.
aber selbst manuell definierte Featureverknüpfungen
können schwer zu erstellen sein.
Aufgabe 1: Das beste Modell nur mit X1 und
X2 Sie können Ebenen und Neuronen hinzufügen oder entfernen,
wie Lernrate, Regularisierungsrate und
Batchgröße. Was ist der beste Testverlust, den Sie erzielen können? Wie reibungslos ist
Modellausgabeoberfläche?
Aufgabe 2: Auch bei neuronalen Netzen wird ein gewisses Maß an Feature Engineering
die oft erforderlich sind, um die beste Leistung zu erzielen. Fügen Sie weitere
produktübergreifende Funktionen oder andere Transformationen,
sin(X1) und sin(X2). Erhalten Sie ein besseres
Modell? Ist die Modellausgabeoberfläche glatter?
(Die Antworten werden direkt unter der Übung angezeigt.)
Klicken Sie auf das Plus-Symbol, um mögliche Antworten anzuzeigen.
Im folgenden Video erfahren Sie, wie Sie Hyperparameter in Playground auswählen
um ein Modell für die Spiraldaten zu trainieren,
das den Testverlust minimiert.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2024-08-22 (UTC)."],[[["The dataset presents a challenge for linear models due to its spiral nature, requiring neural networks for effective modeling."],["Task 1 focuses on achieving the lowest test loss using only the original features (X~1~, X~2~) by adjusting network architecture and learning settings."],["Task 2 explores improving model performance and output smoothness through feature engineering, such as adding cross product features or trigonometric transformations."],["The exercise provides an opportunity to experiment with hyperparameter tuning in neural networks for optimal results on the spiral dataset."]]],[]]
