Ampliación a múltiples puntos de datos

Ya has visto cómo diferentes pesos tienen diferentes precisiones en una sola predicción. Pero, por lo general, querrás medir la precisión del modelo en muchos puntos. Ahora escribirás código para comparar la precisión de los modelos para dos conjuntos diferentes de pesos, que se han almacenado como weights_0 y weights_1.

input_data es una lista de arreglos. Cada elemento de esa lista contiene los datos necesarios para realizar una única predicción. target_actuals es una lista de números. Cada elemento de esa lista es el valor real que estamos tratando de predecir.

En este ejercicio, utilizarás la función « mean_squared_error() » de sklearn.metrics. Toma los valores reales y los valores previstos como argumentos.

También utilizarás la función precargada « predict_with_network() », que toma un arreglo de datos como primer argumento y los pesos como segundo argumento.

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo en Python

Ver curso

Instrucciones del ejercicio

Importa mean_squared_error desde sklearn.metrics.
Usando un bucle « for » para iterar sobre cada fila de « input_data »:
- Haz predicciones para cada fila con weights_0 utilizando la función predict_with_network() y añádelas a model_output_0.
- Haz lo mismo con weights_1 y añade las predicciones a model_output_1.
Calcula el error cuadrático medio de model_output_0 y, a continuación, de model_output_1 utilizando la función mean_squared_error(). El primer argumento debe ser los valores reales (target_actuals), y el segundo argumento debe ser los valores previstos (model_output_0 o model_output_1).

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

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)

Editar y ejecutar código