Extension à plusieurs points de données

Vous avez constaté que des pondérations différentes peuvent entraîner des précisions différentes pour une même prévision. Cependant, vous souhaiterez généralement mesurer la précision du modèle sur de nombreux points. Vous allez maintenant écrire du code pour comparer la précision des modèles pour deux ensembles de poids différents, qui ont été enregistrés sous les noms weights_0 et weights_1.

input_data est une liste de tableaux. Chaque élément de cette liste contient les données nécessaires pour effectuer une seule prédiction. target_actuals est une liste de nombres. Chaque élément de cette liste correspond à la valeur réelle que nous essayons de prédire.

Dans cet exercice, vous utiliserez la fonction mean_squared_error() disponible à l'adresse sklearn.metrics. Il prend les valeurs réelles et les valeurs prédites comme arguments.

Vous utiliserez également la fonction préchargée predict_with_network(), qui prend un tableau de données comme premier argument et des poids comme deuxième argument.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Importez mean_squared_error à partir de sklearn.metrics.
for Utilisation d'une boucle « for » pour parcourir chaque ligne d'input_data:
- Effectuez des prédictions pour chaque ligne à l'aide de l'weights_0, en utilisant la fonction predict_with_network(), puis ajoutez-les à model_output_0.
- Veuillez répéter cette procédure pour weights_1, en ajoutant les prédictions à model_output_1.
Calculez l'erreur quadratique moyenne de l'model_output_0, puis de l'model_output_1 à l'aide de la fonction mean_squared_error(). Le premier argument doit correspondre aux valeurs réelles (target_actuals), et le second argument aux valeurs prédites (model_output_0 ou model_output_1).

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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)

Modifier et exécuter le code