Hochskalieren auf mehrere Datenpunkte

Du hast gesehen, dass unterschiedliche Gewichte zu unterschiedlicher Genauigkeit bei einer einzelnen Vorhersage führen. In der Praxis willst du die Modellgenauigkeit aber meist über viele Punkte messen. Nun schreibst du Code, um die Genauigkeiten zweier unterschiedlicher Gewichte-Einstellungen zu vergleichen, die als weights_0 und weights_1 gespeichert sind.

input_data ist eine Liste von Arrays. Jedes Element in dieser Liste enthält die Daten für eine einzelne Vorhersage. target_actuals ist eine Liste von Zahlen. Jedes Element in dieser Liste ist der tatsächliche Wert, den wir vorhersagen möchten.

In dieser Übung verwendest du die Funktion mean_squared_error() aus sklearn.metrics. Sie nimmt die tatsächlichen Werte und die vorhergesagten Werte als Argumente.

Außerdem nutzt du die vorab geladene Funktion predict_with_network(), die ein Datenarray als erstes Argument und Gewichte als zweites Argument erwartet.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit Python

Kurs anzeigen

Anleitung zur Übung

Importiere mean_squared_error aus sklearn.metrics.
Iteriere mit einer for-Schleife über jede Zeile in input_data:
- Erstelle für jede Zeile mit weights_0 Vorhersagen mittels predict_with_network() und hänge sie an model_output_0 an.
- Mache dasselbe für weights_1 und hänge die Vorhersagen an model_output_1 an.
Berechne die mittlere quadratische Abweichung (Mean Squared Error) von model_output_0 und anschließend von model_output_1 mit der Funktion mean_squared_error(). Das erste Argument sollten die tatsächlichen Werte (target_actuals) sein, das zweite Argument die vorhergesagten Werte (model_output_0 oder model_output_1).

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

from sklearn.metrics import mean_squared_error

# Create model_output_0 
model_output_0 = []
# Create model_output_1
model_output_1 = []

# Loop over input_data
for row in input_data:
    # Append prediction to model_output_0
    model_output_0.append(____)
    
    # Append prediction to model_output_1
    model_output_1.append(____)

# Calculate the mean squared error for model_output_0: mse_0
mse_0 = ____

# Calculate the mean squared error for model_output_1: mse_1
mse_1 = ____

# Print mse_0 and mse_1
print("Mean squared error with weights_0: %f" %mse_0)
print("Mean squared error with weights_1: %f" %mse_1)

Code bearbeiten und ausführen