Skalakan ke banyak titik data

Anda telah melihat bagaimana bobot yang berbeda akan memberikan akurasi yang berbeda pada satu prediksi. Namun, biasanya Anda ingin mengukur akurasi model pada banyak titik. Sekarang Anda akan menulis kode untuk membandingkan akurasi model untuk dua set bobot yang berbeda, yang disimpan sebagai weights_0 dan weights_1.

input_data adalah list berisi array. Setiap item dalam list tersebut memuat data untuk membuat satu prediksi. target_actuals adalah list berisi angka. Setiap item dalam list tersebut adalah nilai aktual yang ingin kita prediksi.

Dalam latihan ini, Anda akan menggunakan fungsi mean_squared_error() dari sklearn.metrics. Fungsi ini menerima nilai benar dan nilai prediksi sebagai argumen.

Anda juga akan menggunakan fungsi predict_with_network() yang sudah dimuat sebelumnya, yang menerima sebuah array data sebagai argumen pertama, dan bobot sebagai argumen kedua.

Latihan ini adalah bagian dari kursus

Pengantar Deep Learning dengan Python

Lihat Kursus

Petunjuk latihan

Impor mean_squared_error dari sklearn.metrics.
Gunakan loop for untuk mengiterasi setiap baris pada input_data:
- Buat prediksi untuk setiap baris dengan weights_0 menggunakan fungsi predict_with_network() dan tambahkan ke model_output_0.
- Lakukan hal yang sama untuk weights_1, tambahkan prediksi ke model_output_1.
Hitung mean squared error dari model_output_0 lalu model_output_1 menggunakan fungsi mean_squared_error(). Argumen pertama harus berupa nilai aktual (target_actuals), dan argumen kedua adalah nilai prediksi (model_output_0 atau model_output_1).

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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)

Edit dan Jalankan Kode