Amélioration des pondérations du modèle
Bravo ! Vous venez de calculer les pentes dont vous avez besoin. Il est maintenant temps d'utiliser ces pentes pour améliorer votre modèle. Si vous ajoutez les pentes à vos poids, vous vous déplacerez dans la bonne direction. Cependant, il est possible d'aller trop loin dans cette direction. Il est donc recommandé de commencer par faire un petit pas dans cette direction, en utilisant un taux d'apprentissage plus faible, et de vérifier que le modèle s'améliore.
Les poids ont été préchargés sous le nom weights, la valeur réelle de la cible sous le nom target et les données d'entrée sous le nom input_data. Les prédictions issues des poids initiaux sont stockées sous la forme d'preds.
Cet exercice fait partie du cours
Introduction au Deep Learning avec Python
Instructions
- Définissez le taux d'apprentissage sur «
0.01» et calculez l'erreur à partir des prédictions initiales. Cela a été fait pour vous. - Calculez les pondérations mises à jour en soustrayant le produit de
learning_rateetslopedeweights. - Calculez les prévisions mises à jour en multipliant
weights_updatedparinput_dataet en calculant leur somme. - Calculez l'erreur pour les nouvelles prédictions. Enregistrez le résultat en tant que
error_updated. - Veuillez cliquer sur « Soumettre la réponse » pour comparer l'erreur mise à jour avec l'erreur d'origine.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Set the learning rate: learning_rate
learning_rate = 0.01
# Calculate the predictions: preds
preds = (weights * input_data).sum()
# Calculate the error: error
error = preds - target
# Calculate the slope: slope
slope = 2 * input_data * error
# Update the weights: weights_updated
weights_updated = ____
# Get updated predictions: preds_updated
preds_updated = ____
# Calculate updated error: error_updated
error_updated = ____
# Print the original error
print(error)
# Print the updated error
print(error_updated)