Przekroczenie limitu?

Zanim obejrzysz film lub przeczytasz dokumentację, wykonaj to ćwiczenie, którego celem jest zbadanie nadużywania krzyżów cech.

Zadanie 1. Uruchom model w takiej postaci, w jakiej jest, ze wszystkimi danymi z różnych usług funkcje zabezpieczeń. Czy są jakieś niespodzianki w sposobie, w jaki model uwzględnia dane? Na czym polega problem?

Zadanie 2. Spróbuj usunąć różne funkcje z różnych usług, aby poprawić działanie tych funkcji skuteczności (ale tylko w niewielkim stopniu). Dlaczego usunięcie funkcji ma sens poprawić wydajność?

(Odpowiedzi pojawią się tuż pod ćwiczeniem).

---

---

Kliknij ikonę plusa, aby uzyskać odpowiedź na zadanie 1.

Co zaskakujące, granica decyzji modelu wygląda nieco wariacko. W szczególności jest obszar w lewym górnym rogu, który wskazuje na kolor niebieski, ale dane nie potwierdzają tego w widoczny sposób.

Zwróć uwagę na względną grubość pięciu wierszy biegnących od INPUT do OUTPUT. Linie te wskazują względną wagę pięciu cech. Linie wychodzące z X₁ i X₂ są znacznie grubsze niż pochodzących z krzyżów charakterystycznych. Krzyże cech są więc wkład w model znacznie mniejszy niż normalne (nieskrzyżowane) cechy.

Kliknij ikonę plusa, aby odpowiedzieć na zadanie 2.

Usunięcie wszystkich krzyżyków daje bardziej rozsądny model (istnieje nie jest już krzywą granicą sugerującą nadmierne dopasowanie) i przybywać zbieżne wartości.

Po 1000 iteracji wartość straty testu powinna być nieco niższa. niż podczas wyszukiwania krzyżyków (mimo że może się nieco różnić w zależności od zbioru danych).

Dane w tym ćwiczeniu to dane liniowe z szumem. Jeśli użyjemy zbyt złożonego modelu, na przykład zawierającego zbyt wiele umożliwia dopasowanie do szumu w danych treningowych, często kosztem słabych wyników modelu na danych testowych.