Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Нейронная Сеть Спираль
Этот набор данных представляет собой шумную спираль. Очевидно, что линейная модель здесь потерпит неудачу, но даже определенные вручную пересечения признаков могут оказаться трудными для построения.
Задача 1. Обучите лучшую модель, какую только сможете, используя только X 1 и X 2 . Не стесняйтесь добавлять или удалять слои и нейроны, изменять настройки обучения, такие как скорость обучения, скорость регуляризации и размер пакета. Какую максимальную потерю при тестировании вы можете получить? Насколько гладкая выходная поверхность модели?
Задача 2. Даже при использовании нейронных сетей для достижения наилучшей производительности часто требуется некоторый объем разработки функций. Попробуйте добавить дополнительные функции перекрестного произведения или другие преобразования, такие как sin(X 1 ) и sin(X 2 ). У вас есть лучшая модель? Выходная поверхность модели стала более гладкой?
(Ответы приведены сразу под упражнением.)
Нажмите значок плюса, чтобы увидеть возможные ответы.
В следующем видео показано, как выбрать гиперпараметры в Playground для обучения модели спиральным данным, что минимизирует потери при тестировании.
[[["Прост для понимания","easyToUnderstand","thumb-up"],["Помог мне решить мою проблему","solvedMyProblem","thumb-up"],["Другое","otherUp","thumb-up"]],[["Отсутствует нужная мне информация","missingTheInformationINeed","thumb-down"],["Слишком сложен/слишком много шагов","tooComplicatedTooManySteps","thumb-down"],["Устарел","outOfDate","thumb-down"],["Проблема с переводом текста","translationIssue","thumb-down"],["Проблемы образцов/кода","samplesCodeIssue","thumb-down"],["Другое","otherDown","thumb-down"]],["Последнее обновление: 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."]]],[]]