Escalar a múltiples puntos de datos

Ya has visto que distintos pesos dan lugar a precisiones diferentes en una sola predicción. Pero normalmente querrás medir la precisión del modelo en muchos puntos. Ahora vas a escribir código para comparar la precisión del modelo para dos conjuntos de pesos distintos, almacenados como weights_0 y weights_1.

input_data es una lista de arrays. Cada elemento de esa lista contiene los datos para hacer una única predicción. target_actuals es una lista de números. Cada elemento de esa lista es el valor real que intentamos predecir.

En este ejercicio, usarás la función mean_squared_error() de sklearn.metrics. Recibe como argumentos los valores reales y los valores predichos.

También usarás la función precargada predict_with_network(), que recibe un array de datos como primer argumento y los pesos como segundo argumento.

Este ejercicio forma parte del curso

Introducción al Deep Learning en Python

Ver curso

Instrucciones del ejercicio

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

Ejercicio interactivo práctico

Prueba este ejercicio y completa 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