Scalare a più punti dati

Hai visto come pesi diversi portino a accuratezze diverse su una singola previsione. Ma di solito vorrai misurare l’accuratezza del modello su molti punti. Ora scriverai del codice per confrontare le accuratezze del modello per due diversi insiemi di pesi, salvati come weights_0 e weights_1.

input_data è una lista di array. Ogni elemento di questa lista contiene i dati per effettuare una singola previsione. target_actuals è una lista di numeri. Ogni elemento di questa lista è il valore reale che stiamo cercando di prevedere.

In questo esercizio userai la funzione mean_squared_error() da sklearn.metrics. Accetta come argomenti i valori reali e quelli previsti.

Userai anche la funzione pre-caricata predict_with_network(), che prende un array di dati come primo argomento e i pesi come secondo argomento.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Importa mean_squared_error da sklearn.metrics.
Usando un ciclo for per iterare su ogni riga di input_data:
- Effettua le previsioni per ciascuna riga con weights_0 usando la funzione predict_with_network() e aggiungile a model_output_0.
- Fai lo stesso per weights_1, aggiungendo le previsioni a model_output_1.
Calcola il mean squared error di model_output_0 e poi di model_output_1 usando la funzione mean_squared_error(). Il primo argomento deve essere costituito dai valori reali (target_actuals) e il secondo dai valori previsti (model_output_0 o model_output_1).

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

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)

Modifica ed esegui il codice