Playground è un'applicazione interattiva che ti consente di manipolare vari aspetti dell'addestramento e del test di un modello di machine learning. Con Playground, puoi selezionare le funzionalità e regolare gli iperparametri, per poi scoprire in che modo le tue scelte influenzano un modello.
Questa pagina contiene due esercizi che utilizzano i widget Playground incorporati sotto le istruzioni.
Esercizio 1: un incrocio di caratteristiche di base
Per questo esercizio, concentrati sulle seguenti parti dell'interfaccia utente di Playground:
- Sotto FUNZIONALITÀ, nota le tre potenziali funzionalità del modello:
- x1
- x2
- x1x2
- Sotto OUTPUT, vedrai un quadrato contenente punti arancioni e blu. Immagina di guardare una foresta quadrata, dove i punti arancioni indicano la posizione degli alberi malati e i punti blu la posizione degli alberi sani.
- Tra FEATURES e OUTPUT, se guardi molto da vicino, vedrai tre linee tratteggiate deboli che collegano ogni funzionalità all'output. La larghezza di ogni linea tratteggiata simboleggia il peso attualmente associato a ciascuna caratteristica. Queste linee sono molto deboli perché il peso iniziale per ogni funzionalità è inizializzato su 0. Man mano che il peso aumenta o diminuisce, anche lo spessore di queste linee cambierà.
Attività 1: esplora Playground procedendo nel seguente modo:
- Fai clic sulla linea sottile che collega la funzionalità x1 all'output. Viene visualizzato un popup.
- Nel popup, inserisci il peso
1.0. - Premi Invio.
Tieni presente quanto segue:
- La linea tratteggiata per x1 diventa più spessa man mano che il peso aumenta da 0 a 1.0.
- Ora viene visualizzato uno sfondo arancione e blu.
- Lo sfondo arancione indica le ipotesi del modello su dove si trovano gli alberi malati.
- Lo sfondo blu indica le ipotesi del modello su dove si trovano gli alberi sani. Il modello sta facendo un lavoro pessimo: circa la metà delle ipotesi del modello sono sbagliate.
- Poiché il peso è 1,0 per x1 e 0 per le altre caratteristiche, il modello corrisponde esattamente ai valori di x1.
Attività 2: modifica i pesi di una o tutte e tre le caratteristiche in modo che il modello (i colori di sfondo) preveda correttamente gli alberi malati e sani. La soluzione viene visualizzata appena sotto Playground.
Esercizio 2: un incrocio di caratteristiche più sofisticato
Per il secondo esercizio, esamina la disposizione dei punti arancioni (alberi malati) e dei punti blu (alberi sani) nel modello di output, notando quanto segue:
- I punti formano pattern approssimativamente sferici.
- La disposizione dei punti è irregolare. Ad esempio, nota i punti blu occasionali nella sfera esterna di punti arancioni. Di conseguenza, è improbabile che anche un ottimo modello preveda correttamente ogni punto.
Attività 1: esplora l'interfaccia utente di Playground procedendo nel seguente modo:
- Fai clic sul pulsante Esegui/Pausa, un triangolo bianco all'interno di un cerchio nero. Playground inizierà ad addestrare il modello. Osserva l'aumento del contatore delle epoche.
- Dopo che il sistema si è addestrato per almeno 300 epoche, premi lo stesso pulsante Esegui/Metti in pausa per sospendere l'addestramento.
- Guarda il modello. Il modello fa previsioni accurate? In altre parole, i punti blu sono generalmente circondati da uno sfondo blu e i punti arancioni sono generalmente circondati da uno sfondo arancione?
- Esamina il valore di Test loss (Perdita test), che viene visualizzato appena sotto OUTPUT. Questo valore è più vicino a 1,0 (perdita maggiore) o a 0 (perdita minore)?
- Reimposta Playground premendo la freccia curva a sinistra del pulsante Esegui/Pausa.
Attività 2: crea un modello migliore procedendo nel seguente modo:
- Seleziona o deseleziona qualsiasi combinazione delle cinque funzionalità possibili.
- Regola il tasso di apprendimento.
- Addestra il sistema per almeno 500 epoche.
- Esamina il valore di Test loss. Puoi ottenere una perdita dei dati di test inferiore a 0,2?
Le soluzioni vengono visualizzate sotto Playground.