Giới thiệu các tính năng chéo
Một tính năng chéo có thể thực sự bật mô hình để phù hợp với dữ liệu phi tuyến tính không? Để tìm hiểu, hãy thử bài tập này.
Nhiệm vụ: Hãy cố gắng tạo một mô hình phân tách các chấm màu xanh dương với các chấm màu cam bằng cách theo cách thủ công thay đổi trọng số của 3 tính năng nhập sau đây:
- x1
- x2
- x1 x2 (một tính năng chéo)
Cách thay đổi trọng lượng theo cách thủ công:
- Nhấp vào một dòng kết nối TÍNH NĂNG với OUTPUT. Một biểu mẫu nhập vào sẽ xuất hiện.
- Nhập giá trị dấu phẩy động vào biểu mẫu nhập đó.
- Nhấn Enter.
Lưu ý rằng giao diện cho bài tập này không chứa nút Bước. Đó là vì bài tập này không lặp lại đào tạo một mô hình. Thay vào đó, bạn sẽ nhập trọng số "final" cho mô hình theo cách thủ công.
(Câu trả lời xuất hiện ngay bên dưới bài tập.)
Các tính năng phức tạp hơn
Bây giờ, hãy chơi bằng một số cách kết hợp tính năng nâng cao. Dữ liệu được thiết lập trong bài tập thể dục này trên Playground trông giống như một hình ảnh gây nhiễu trong trò chơi phi tiêu, với các chấm màu xanh ở giữa và các chấm màu cam ở vòng tròn bên ngoài.
Hãy nhấp vào biểu tượng dấu cộng để xem nội dung giải thích về mô hình trực quan.
Mỗi bài tập Playground sẽ hiển thị hình ảnh trực quan về trạng thái hiện tại của mô hình. Ví dụ: đây là hình ảnh trực quan:
Xin lưu ý những điều sau về hình ảnh trực quan:
- Mỗi trục đại diện cho một tính năng cụ thể. Trong trường hợp spam so với không phải spam, các tính năng có thể là số từ và số người nhận email.
- Mỗi dấu chấm biểu thị các giá trị của tính năng cho một ví dụ về dữ liệu, chẳng hạn như email.
- Màu của dấu chấm biểu thị lớp mà ví dụ thuộc về. Ví dụ: các chấm màu xanh dương có thể biểu thị cho email không phải thư rác, còn dấu chấm màu cam có thể biểu thị email rác.
- Màu nền đại diện cho dự đoán của mô hình về nơi sẽ tìm thấy các ví dụ về màu đó. Nền màu xanh dương xung quanh chấm màu xanh dương có nghĩa là mô hình này đang dự đoán chính xác ví dụ đó. Ngược lại, nền màu cam xung quanh một chấm màu xanh dương có nghĩa là mô hình đó đang dự đoán không chính xác ví dụ đó.
- Màu nền xanh dương và cam được thay đổi tỷ lệ. Ví dụ: phía bên trái của hình ảnh trực quan có màu xanh dương đậm nhưng chuyển dần sang màu trắng ở giữa hình ảnh trực quan. Bạn có thể xem độ mạnh của màu sắc là dấu hiệu cho thấy mô hình có độ tin cậy cao. Vì màu xanh dương đồng nhất có nghĩa là mô hình này rất tự tin với phỏng đoán của mình và màu xanh dương nhạt có nghĩa là mô hình đó kém tự tin hơn. (Hình ảnh mô hình hiển thị trong hình đang thực hiện rất kém khả năng dự đoán.)
Hãy sử dụng hình ảnh để đánh giá tiến độ của mô hình. ("Rất tốt—hầu hết các chấm màu xanh dương có nền xanh dương" hoặc "Ồ không! Các chấm màu xanh dương có nền màu cam.") Ngoài màu sắc, Playground còn hiển thị mức độ suy hao hiện tại của mô hình. ("Ôi không! Tổn thất sẽ tăng lên thay vì giảm xuống.")
Tác vụ 1: Chạy mô hình tuyến tính này như đã cho. Dành một hoặc hai phút (nhưng không dài hơn) để thử các chế độ cài đặt tỷ lệ học tập khác nhau để xem liệu bạn có thể tìm ra cách cải thiện nào không. Mô hình tuyến tính có thể tạo ra kết quả hiệu quả cho tập dữ liệu này không?
Nhiệm vụ 2: Bây giờ, hãy thử thêm các tính năng trên nhiều sản phẩm, chẳng hạn như x1x2, cố gắng tối ưu hóa hiệu suất.
- Những tính năng nào hữu ích nhất?
- Hiệu suất tốt nhất mà bạn có thể nhận được là gì?
Nhiệm vụ 3: Khi bạn có một mô hình tốt, hãy kiểm tra bề mặt đầu ra của mô hình (được thể hiện bằng màu nền).
- Hình này có giống như mô hình tuyến tính không?
- Bạn sẽ mô tả mô hình này như thế nào?
(Câu trả lời xuất hiện ngay bên dưới bài tập.)