Playground è un'applicazione interattiva che 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, e poi scoprire in che modo le tue scelte influiscono su un modello.
Questa pagina contiene due esercizi Playground.
Esercizio 1: un incrocio di caratteristiche di base
Per questo esercizio, concentrati sulle seguenti parti dell'interfaccia utente di Playground:
- Sotto FEATURES, sono elencate le tre potenziali caratteristiche del modello:
- x1
- x2
- x1x2
- Sotto OUTPUT, vedrai un quadrato contenente punti arancioni e blu. Immagina di essere in una foresta quadrata, dove i punti arancioni contrassegnano la posizione degli alberi malati, mentre i punti blu contrassegnano la la posizione degli alberi sani.
- Se osservi attentamente, tra FEATURES e OUTPUT vedrai tre linee tratteggiate sottili che collegano ogni elemento all'output. La larghezza di ogni linea tratteggiata simboleggia il peso attualmente associato a ogni funzionalità. Queste linee sono molto deboli perché la ponderazione iniziale di ciascuna caratteristica è inizializzata a 0. Man mano che l'intensità aumenta o diminuisce, lo stesso accade per lo spessore di queste linee.
Attività 1: esplora Playground nel seguente modo:
- Fai clic sulla linea sottile che collega la caratteristica x1 all'output. Viene visualizzato un popup.
- Nella finestra 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.
- Viene visualizzato uno sfondo arancione e blu.
- Lo sfondo arancione indica le supposizioni del modello sulla posizione degli alberi malati.
- Lo sfondo blu indica le supposizioni del modello sulla posizione degli alberi sani. Il modello sta facendo un lavoro pessimo: circa la metà delle ipotesi del modello sbagliato.
- 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 il peso di una o di tutte e tre le caratteristiche in modo che (i colori di sfondo) riesce a prevedere in modo efficace alberi. La soluzione viene visualizzata appena sotto Playground.
Esercizio 2: incrocio di caratteristiche più sofisticato
Per il secondo esercizio, osserva la disposizione dei punti arancioni (alberi malati) e punti blu (alberi integri) nel modello di output, notando quanto segue:
- I punti formano motivi approssimativamente sferici.
- La disposizione dei punti è rumorosa; ad esempio, noterai punti azzurri occasionali nella sfera esterna di punti arancioni. Di conseguenza, anche un grande modello è improbabile che preveda correttamente ogni punto.
Attività 1: esplora l'interfaccia utente di Playground nel seguente modo:
- Fai clic sul pulsante Esegui/Metti in pausa, ovvero un triangolo bianco all'interno di un cerchio nero. Playground inizierà ad addestrare il modello; osservare il contatore delle epoche aumenta.
- Dopo che il sistema è stato addestrato per almeno 300 epoche, premi lo stesso pulsante di esecuzione/pausa per mettere in pausa l'addestramento.
- Guarda il modello. Il modello sta facendo buone previsioni? 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 Perdita test, visualizzato appena sotto OUTPUT. È questo un valore più vicino a 1,0 (perdita maggiore) o più vicino a 0 (perdita inferiore)?
- Reimposta Playground premendo la freccia sinuosa a sinistra dell' Pulsante Esegui/Pausa.
Attività 2: crea un modello migliore seguendo questi passaggi:
- Seleziona o deseleziona qualsiasi combinazione delle cinque possibili funzionalità.
- Regola il tasso di apprendimento.
- Addestra il sistema per almeno 500 epoche.
- Esaminare il valore di "Test loss". Si può ottenere una perdita di test inferiore a 0,2?
Le soluzioni vengono visualizzate sotto Playground.