Données catégorielles: exercices de croisement de caractéristiques

Playground est un interactive qui vous permet de manipuler liés à l'entraînement et au test d'un modèle de ML. Avec Playground, vous pouvez sélectionner des caractéristiques et ajuster les hyperparamètres, et découvrir comment vos choix influencent un modèle.

Cette page contient deux exercices Playground.

Exercice 1 : Un croisement de caractéristiques de base

Pour cet exercice, concentrez-vous sur les parties suivantes de la interface utilisateur:

• Sous FEATURES (FONCTIONNALITÉS), notez les trois caractéristiques potentielles du modèle: <ph type="x-smartling-placeholder">
  </ph>
  • x₁
  • x₂
  • x₁x₂
• Sous "SORTIE", un carré contenant des points orange et bleus s'affiche. Imaginez que vous regardez une forêt carrée, les points orange indiquent la position des arbres malades et les points bleus indiquent la position la position des arbres sains.
• Si vous regardez de plus près, entre FEATURES et OUTPUT, vous trouverez trois de faibles lignes en pointillés reliant chaque caractéristique à la sortie. La largeur de chaque ligne en pointillés symbolise la pondération actuellement associée à chaque élément géographique. Ces droites sont très floues, car la pondération de départ pour chaque caractéristique est initialisé sur 0. Au fur et à mesure que le poids augmente ou diminue, l'épaisseur de ces lignes.

Tâche 1 : Explorez Playground en procédant comme suit :

1. Cliquez sur la ligne fine qui relie l'élément géographique x₁ à la sortie. Un pop-up s'affiche.
2. Dans le pop-up, saisissez le poids 1.0.
3. Appuyez sur Entrée.

Notez les points suivants :

• La ligne en pointillés pour x₁ devient plus épaisse à mesure que le poids augmente de 0 à 1,0.
• Un arrière-plan orange et bleu s'affiche.
  • Sur fond orange, le modèle peut deviner où se trouvent les arbres malades. sont les mêmes.
  • Le fond bleu représente l'estimation du modèle quant à l'emplacement des arbres sains sont les mêmes. Le modèle fait un travail horrible. environ la moitié des suppositions du modèle faux.
• Étant donné que la pondération est de 1,0 pour x₁ et de 0 pour les autres caractéristiques, le modèle correspond exactement aux valeurs de x₁.

Tâche 2 : Modifiez les pondérations de l'une ou de toutes les trois caractéristiques afin que le modèle (les couleurs d'arrière-plan) puisse prédire avec succès les arbres malades et sains. La solution s'affiche juste en dessous de Playground.

---

---

Cliquez ici pour obtenir la solution de la tâche 2.

• w₁ = 0
• w₂ = 0
• x₁ x₂ = n'importe quelle valeur positive

Juste pour le plaisir, que se passe-t-il si vous saisissez une valeur négative pour l'intersection des éléments géographiques ?

Exercice 2: Un croisement de caractéristiques plus sophistiqué

Pour le deuxième exercice, examinez la disposition des points orange (arbres malades) et des points bleus (arbres sains) dans le modèle de sortie, en notant les points suivants :

• Les points forment des motifs à peu près sphériques.
• La disposition des points est bruyante. Par exemple, notez les points bleus occasionnels dans la sphère extérieure de points orange. Par conséquent, même un excellent modèle est peu susceptible de prédire correctement chaque point.

Tâche 1 : Explorez l'interface utilisateur de Playground en procédant comme suit :

1. Cliquez sur le bouton Lecture/Pause, qui est un triangle blanc dans un cercle noir. Playground commence à entraîner le modèle. Observez le compteur d'époques augmenter.
2. Une fois que le système a effectué au moins 300 époques d'entraînement, appuyez sur le même bouton Lecture/Pause pour interrompre l'entraînement.
3. Examinez le modèle. Le modèle réalise-t-il de bonnes prédictions ? En d'autres termes, les points bleus sont-ils généralement entourés d'un arrière-plan bleu et les points orange d'un arrière-plan orange ?
4. Examinez la valeur de la perte de test, qui apparaît juste en dessous de RÉSULTAT. Est-ce une valeur proche de 1,0 (perte plus élevée) ou proche de 0 (perte plus faible) ?
5. Pour réinitialiser Playground, appuyez sur la flèche incurvée à gauche du Bouton Lecture/Pause.

Tâche 2 : créez un meilleur modèle en procédant comme suit.

1. Sélectionnez ou désélectionnez n'importe quelle combinaison des cinq fonctionnalités possibles.
2. Ajustez le taux d'apprentissage.
3. Entraînez le système pendant au moins 500 époques.
4. Examinez la valeur de "Perte de test". Pouvez-vous obtenir une perte de test inférieure à 0,2 ?

Les solutions s'affichent sous Kotlin Playground.

---

---

Cliquez ici pour accéder à la solution de la tâche 1.

Le modèle est horrible. Notez, par exemple, que de nombreux points orange nagent dans une mer de bleu. De plus, la perte de test est très élevée.

Cliquez ici pour obtenir la solution de la tâche 2.

Pour améliorer les performances du modèle, procédez comme suit :

• Sélectionnez les deux transformations polynomiales (x₁² et x₂²) et désélectionnez les trois autres caractéristiques possibles.
• Réduisez le taux d'apprentissage à 0.001 ou moins.

Centre d'aide