Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Przedstawiamy krzyżyki funkcji
Czy funkcja obejmującą różne cechy może wzbogacić model o dane nielinearne?
Aby się dowiedzieć, wykonaj to ćwiczenie.
Zadanie: utwórz model, który oddzieli niebieskie kropki od pomarańczowych kropek, ręcznie zmieniając wagi tych 3 funkcji:
x1
x 2
x1x2 (krzyżyk funkcji)
Aby ręcznie zmienić wagę:
Kliknij linię łączącą FUNKCJE z OUTPUT.
Pojawi się formularz wprowadzania.
Wpisz wartość zmiennoprzecinkową w tym formularzu.
Naciśnij Enter.
Pamiętaj, że interfejs tego ćwiczenia nie zawiera przycisku Krok.
To dlatego, że to ćwiczenie nie powtarza treningu modelu.
Zamiast tego wpisz ręcznie wagę "final" dla modelu.
(Odpowiedzi pojawią się tuż pod ćwiczeniem).
Kliknij ikonę plusa.
w1 = 0
w2 = 0
x1x2 = 1 (lub dowolna wartość dodatnia)
Jeśli wpiszesz ujemną wartość dla krzyżyka cech, model oddzieli niebieskie kropki od pomarańczowych kropek, ale prognozy będą całkowicie błędne.
Oznacza to, że model będzie prognozować kolor pomarańczowy dla niebieskich kropek, a niebieski – pomarańczowy.
Bardziej złożone krzyży funkcji
Zagrajmy w kombinacje zaawansowanych funkcji wielofunkcyjnych.
Ćwiczenia z tego ćwiczenia wyglądają jakby były hałaśliwe, a w środku znajdują się niebieskie kropki, a pozostałe pomarańczowe kropki.
Kliknij ikonę plusa, aby dowiedzieć się więcej o wizualizacji modelu.
Każde ćwiczenie w Playground pokazuje wizualizację bieżącego stanu modelu. Oto przykład wizualizacji:
Uwaga:
Każda oś reprezentuje określony element. W przypadku spamu zamiast spamu może to być np. liczba słów i liczba adresatów e-maila.
Kropki przedstawiają wartości cech dla jednego przykładowego typu danych, np. adresu e-mail.
Kolor kropki to klasa, do której należy przykład.
Niebieskie kropki mogą na przykład oznaczać e-maile, które nie są spamem, a pomarańczowe kropki – spam.
Kolor tła reprezentuje model w miejscu, w którym można go znaleźć. Niebieskie tło wokół niebieskiej kropki oznacza, że model poprawnie przewiduje ten przykład. Analogicznie pomarańczowe tło wokół niebieskiej kropki oznacza, że model niepoprawnie przewiduje ten przykład.
Przeskalowane są kolory tła niebieskiego i pomarańczowego. Na przykład lewa część wizualizacji jest jednolicie niebieska, a po środku pośrodku zanika. Siła koloru można myśleć jak ufność modelu. Intensywnie niebieski kolor oznacza, że model jest pewny co do odgadnięcia, a jasnoniebieski – mniej pewnie. (Wizualizacja modelu widoczna na ilustracji ma słabą skuteczność prognozy).
Użyj wizualizacji, aby ocenić postęp modelu.
("Doskonały – większość niebieskich kropek ma niebieskie tło; Niebieskie kropki mają pomarańczowe tło.")
Oprócz kolorów Playground pokazuje też bieżącą stratę modelu.
(i nie! Tracisz wzrost, zamiast spadać.
Zadanie 1. Uruchom ten model liniowy zgodnie z instrukcjami. Poświęć chwilę lub dwie (nie czekaj) na wypróbowywanie różnych ustawień współczynnika uczenia się, aby sprawdzić, czy można coś poprawić. Czy model liniowy może pomóc w uzyskaniu dobrych wyników dla tego zbioru danych?
Zadanie 2. Spróbuj teraz dodać funkcje w różnych usługach, np.
x1 x 2, aby zoptymalizować skuteczność.
Które funkcje są najbardziej pomocne?
Jaka jest największa możliwa skuteczność?
Zadanie 3. Gdy model jest dobrej jakości, przeanalizuj powierzchnię modelu (kolor tła).
Czy masz model liniowy?
Jaki jest Twój model?
(Odpowiedzi pojawią się tuż pod ćwiczeniem).
Kliknij ikonę plusa dla zadania 1.
Nie. Model liniowy nie może skutecznie modelować tego zbioru danych. Zmniejszając tempo uczenia się, ale strata zbiega się na zbyt niekorzystną wartość.
Kliknij ikonę plusa dla zadania 2.
Zbiory danych Playground są generowane losowo. Dlatego nasze odpowiedzi mogą nie być całkowicie zgodne z Twoją. Jeśli ponownie wygenerujesz zbiór danych między uruchomieniami, Twoje wyniki nie zawsze będą się dokładnie pokrywać z wcześniejszymi uruchomieniami. Aby uzyskać lepsze wyniki, wykonaj te czynności:
Użycie wartości x12 i x22 jako krzyżyka funkcji. (Wygląda na to, że dodanie ciągu x1 x 2 nie działa).
Zmniejszę częstotliwość nauki, np.do 0,001.
Kliknij ikonę plusa dla zadania 3.
Powierzchnia wyjściowego modelu nie wygląda jak model liniowy. Wydaje się, że jest orbitalny.