Playground یک برنامه تعاملی است که به شما امکان می‌دهد جنبه‌های مختلف آموزش و آزمایش یک مدل یادگیری ماشین را دستکاری کنید. با Playground، می‌توانید ویژگی‌ها را انتخاب کرده و پارامترهای فوق را تنظیم کنید و سپس ببینید که چگونه انتخاب‌های شما بر یک مدل تأثیر می‌گذارد.
این صفحه شامل دو تمرین با استفاده از ویجت‌های Playground تعبیه‌شده در زیر دستورالعمل‌ها است.
تمرین ۱: یک تقاطع ویژگی پایه
برای این تمرین، روی بخش‌های زیر از رابط کاربری Playground تمرکز کنید:
- در زیر ویژگی‌ها، به سه ویژگی بالقوه مدل توجه کنید:
- ۱ عدد
- ۲ عدد
- × ۱ × ۲
- در زیر OUTPUT، مربعی حاوی نقاط نارنجی و آبی خواهید دید. تصور کنید که به یک جنگل مربعی نگاه می‌کنید، که در آن نقاط نارنجی موقعیت درختان بیمار و نقاط آبی موقعیت درختان سالم را نشان می‌دهند.
- بین FEATURES و OUTPUT، اگر خیلی دقیق نگاه کنید، سه خط چین کم‌رنگ می‌بینید که هر ویژگی را به خروجی متصل می‌کند. عرض هر خط چین، نماد وزن فعلی مرتبط با هر ویژگی است. این خطوط بسیار کم‌رنگ هستند زیرا وزن اولیه برای هر ویژگی با ۰ مقداردهی اولیه شده است. با افزایش یا کاهش وزن، ضخامت این خطوط نیز افزایش می‌یابد.
وظیفه ۱: با انجام موارد زیر، زمین بازی را کاوش کنید:
- روی خط کم‌رنگی که ویژگی x 1 را به خروجی متصل می‌کند کلیک کنید. یک پنجره بازشو ظاهر می‌شود.
- در پنجره باز شده، وزن
1.0را وارد کنید. - اینتر را فشار دهید.
به موارد زیر توجه کنید:
- خط چین مربوط به x1 با افزایش وزن از ۰ به ۱.۰ ضخیم‌تر می‌شود.
- اکنون یک پس‌زمینه نارنجی و آبی ظاهر می‌شود.
- پس‌زمینه نارنجی حدس‌های مدل در مورد محل درختان بیمار است.
- پس‌زمینه آبی حدس‌های مدل در مورد محل درختان سالم است. مدل کار وحشتناکی انجام می‌دهد؛ حدود نیمی از حدس‌های مدل اشتباه است.
- از آنجا که وزن برای x1 برابر با 1.0 و برای سایر ویژگی‌ها برابر با 0 است، مدل دقیقاً با مقادیر x1 مطابقت دارد.
وظیفه ۲: وزن هر یک یا هر سه ویژگی را تغییر دهید تا مدل (رنگ‌های پس‌زمینه) با موفقیت درختان بیمار و سالم را پیش‌بینی کند. راه‌حل درست زیر Playground ظاهر می‌شود.
تمرین ۲: یک ترکیب پیچیده‌تر از ویژگی‌ها
برای تمرین دوم، به چیدمان نقاط نارنجی (درختان بیمار) و نقاط آبی (درختان سالم) در مدل خروجی توجه کنید و به موارد زیر توجه کنید:
- نقاط الگوهای تقریباً کروی تشکیل می‌دهند.
- چیدمان نقاط نویز دارد؛ برای مثال، به نقاط آبی گاه به گاه در کره بیرونی نقاط نارنجی توجه کنید. در نتیجه، حتی یک مدل عالی هم بعید است که هر نقطه را به درستی پیش‌بینی کند.
وظیفه ۱: رابط کاربری Playground را با انجام موارد زیر بررسی کنید:
- روی دکمه‌ی اجرا/مکث (Run/Pause) که یک مثلث سفید درون یک دایره‌ی سیاه است کلیک کنید. Playground آموزش مدل را آغاز خواهد کرد؛ مشاهده کنید که شمارنده‌ی Epochs در حال افزایش است.
- بعد از اینکه سیستم حداقل ۳۰۰ دوره آموزش دید، همان دکمه اجرا/مکث را فشار دهید تا آموزش متوقف شود.
- به مدل نگاه کنید. آیا مدل پیش‌بینی‌های خوبی ارائه می‌دهد؟ به عبارت دیگر، آیا نقاط آبی عموماً توسط یک پس‌زمینه آبی احاطه شده‌اند و آیا نقاط نارنجی عموماً توسط یک پس‌زمینه نارنجی احاطه شده‌اند؟
- مقدار Test loss را که درست زیر OUTPUT ظاهر می‌شود، بررسی کنید. آیا این مقدار به ۱.۰ (زیان بیشتر) نزدیک‌تر است یا به ۰ (زیان کمتر)؟
- با فشار دادن فلش منحنی شکل سمت چپ دکمه‌ی اجرا/مکث، Playground را ریست کنید.
وظیفه ۲: با انجام موارد زیر، یک مدل بهتر بسازید:
- هر ترکیبی از پنج ویژگی ممکن را انتخاب یا لغو انتخاب کنید.
- نرخ یادگیری را تنظیم کنید.
- سیستم را حداقل برای ۵۰۰ دوره (epoch) آموزش دهید.
- مقدار Test loss را بررسی کنید. آیا می‌توانید Test loss کمتر از 0.2 داشته باشید؟
راه‌حل‌ها در زیر Playground ظاهر می‌شوند.