Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Espiral de rede neural
Esse conjunto de dados é uma espiral com ruído. Obviamente, um modelo linear vai falhar aqui,
mas até mesmo cruzamentos de atributos definidos manualmente podem ser difíceis de construir.
Tarefa 1:treine o melhor modelo possível usando apenas X1 e
X2. Adicione ou remova camadas e neurônios, altere
de machine learning, como taxa de aprendizado, taxa de regularização e
tamanho do lote. Qual é a melhor perda de teste que você pode obter? Suavidade
na superfície de saída do modelo?
Tarefa 2: mesmo com as redes neurais, é necessário realizar a engenharia de atributos
necessárias para alcançar o melhor desempenho. Tente adicionar mais
atributos de vários produtos ou outras transformações, como
sin(X1) e sin(X2). Você consegue um melhor
modelo? A superfície de saída do modelo está mais suave?
As respostas aparecem logo abaixo do exercício.
Clique no ícone de adição para conferir as possíveis respostas.
O vídeo a seguir mostra como escolher hiperparâmetros no Playground
para treinar um modelo dos dados em espiral que minimize a perda de teste.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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."]]],[]]
