מבצע חוצה?

לפני הצפייה בסרטון או קריאת התיעוד, עליך למלא את התרגיל הזה שעוסק בשימוש יתר בהצלבות פיצ'רים.

משימה 1: מפעילים את המודל כמו שהוא, עם כל הפריטים הנתונים לבינה מלאכותית גנרטיבית. האם יש הפתעות באופן שבו המודל מתאים לנתונים? מה הבעיה?

משימה 2: נסו להסיר תכונות שונות ממוצרים שונים כדי לשפר את המצב או של הביצועים (אם כי רק במעט). למה כדאי להסיר תכונות לשפר את הביצועים?

(התשובות מופיעות מתחת לתרגיל).

---

---

לוחצים על סמל הפלוס כדי לקבל תשובה למשימה 1.

באופן מפתיע, גבול ההחלטות של המודל נראה די משוגע. באופן ספציפי, יש אזור בפינה השמאלית העליונה שמרמז על כחול אין תמיכה גלויה בכך בנתונים.

שימו לב לעובי היחסי של חמש השורות שפועלות מ-INPUT עד OUTPUT. השורות האלה מציגות את המשקולות היחסיות של חמש הישויות. הקווים שיוצאים מ-X₁ ו-X₂ עבים הרבה יותר מאשר שמגיעים מזיהויי פיצ'רים שונים. אז, הצלבות פיצ'רים הם תורמות למודל הרבה יותר בהשוואה לתכונות הרגילות (שלא נחוצות).

לוחצים על סמל הפלוס כדי לקבל תשובה למשימה 2.

הסרה של כל ההצלבות של התכונות נותנת מודל הגיוני יותר כבר לא תחום מעוקל שמרמז על התאמת יתר). וגורמת לאובדן המבחן.

לאחר 1,000 חזרות, אובדן הבדיקה אמור להיות ערך מעט נמוך יותר מאשר כשהתכונות מצטלבות היו פעילות (למרות שהתוצאות עשוי להשתנות מעט, בהתאם למערך הנתונים).

הנתונים בתרגיל הזה הם למעשה נתונים ליניאריים עם רעש. אם אנחנו משתמשים במודל מורכב מדי, כמו מודל שכולל יותר מדי מודלים נותנים לו הזדמנות להתאים את עצמו לרעש שבנתוני האימון, לעיתים קרובות, גם בגלל ירידה בביצועים של המודל בנתוני הבדיקה.