Skalierung auf mehrere Datenpunkte

Du hast gesehen, wie unterschiedliche Gewichte zu unterschiedlichen Genauigkeiten bei einer einzelnen Vorhersage führen können. Aber meistens willst du die Genauigkeit des Modells an vielen Punkten messen. Jetzt schreibst du Code, um die Modellgenauigkeiten für zwei verschiedene Gewichtsätze zu vergleichen, die als „ weights_0 “ und „ weights_1 “ gespeichert wurden.

input_data ist eine Liste von Arrays. Jeder Eintrag in dieser Liste hat die Infos, die man für eine einzelne Vorhersage braucht. target_actuals ist eine Liste von Zahlen. Jeder Eintrag in dieser Liste ist der tatsächliche Wert, den wir vorhersagen wollen.

In dieser Übung wirst du die Funktion „ mean_squared_error() ” von sklearn.metrics verwenden. Es nimmt die echten Werte und die vorhergesagten Werte als Argumente.

Du wirst auch die vorinstallierte Funktion „ predict_with_network() “ benutzen, die als erstes Argument ein Datenarray und als zweites Argument Gewichte nimmt.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit Python

Kurs anzeigen

Anleitung zur Übung

Importiere mean_squared_error aus sklearn.metrics.
Mit einer „ for “-Schleife durch alle Zeilen von „ input_data “ gehen:
- Mach für jede Zeile mit „ weights_0 “ und der Funktion „ predict_with_network() “ Vorhersagen und häng sie an „ model_output_0 “ an.
- Mach das Gleiche für „ weights_1 “ und füge die Vorhersagen an „ model_output_1 “ an.
Berechne den mittleren quadratischen Fehler von „ model_output_0 “ und dann von „ model_output_1 “ mit der Funktion „ mean_squared_error() “. Das erste Argument sollte die tatsächlichen Werte sein (target_actuals), und das zweite Argument sollte die vorhergesagten Werte sein (model_output_0 oder model_output_1).

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

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