1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Úvod do deep learningu v Pythonu
Connected

Cvičení

Přechod na více datových bodů

Viděl/a jsi, jak různé váhy vedou k různé přesnosti u jedné predikce. Ve většině případů ale chceš měřit přesnost modelu na více bodech najednou. Teď napíšeš kód, který porovná přesnost modelu pro dva různé sady vah uložené jako weights_0 a weights_1.

input_data je seznam polí. Každá položka tohoto seznamu obsahuje data potřebná k vytvoření jedné predikce. target_actuals je seznam čísel. Každá položka tohoto seznamu je skutečná hodnota, kterou se model snaží předpovědět.

V tomto cvičení použiješ funkci mean_squared_error() z knihovny sklearn.metrics. Ta přijímá skutečné hodnoty a predikované hodnoty jako argumenty.

Budeš také pracovat s předem načtenou funkcí predict_with_network(), která přijímá pole dat jako první argument a váhy jako druhý argument.

Pokyny

100 XP
  • Importuj mean_squared_error z sklearn.metrics.
  • Pomocí smyčky for projdi každý řádek input_data:
    • Pro každý řádek vytvoř predikci s weights_0 pomocí funkce predict_with_network() a přidej ji do model_output_0.
    • To samé proveď pro weights_1 a predikce přidávej do model_output_1.
  • Vypočítej střední kvadratickou chybu pro model_output_0 a poté pro model_output_1 pomocí funkce mean_squared_error(). Prvním argumentem by měly být skutečné hodnoty (target_actuals), druhým pak predikované hodnoty (model_output_0 nebo model_output_1).