Hellingen berekenen

Je gaat nu oefenen met het berekenen van hellingen. Als je de mean-squared error-verliesfunctie uitzet tegen de voorspellingen, is de helling 2 * x * (xb-y), ofwel 2 * input_data * error. Let op: x en b kunnen meerdere getallen bevatten (x is een vector per datapunt en b is een vector). In dat geval is de output ook een vector, en dat is precies wat je wilt.

Je bent klaar om de code te schrijven om deze helling te berekenen met één enkel datapunt. Je gebruikt vooraf gedefinieerde gewichten weights en data voor één punt input_data. De echte waarde van de target die je wilt voorspellen staat in target.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning in Python

Cursus bekijken

Oefeninstructies

Bereken de voorspellingen, preds, door weights te vermenigvuldigen met input_data en hun som te nemen.
Bereken de fout: preds min target. Merk op dat deze fout overeenkomt met xb-y in de gradiëntformule.
Bereken de helling van de verliesfunctie ten opzichte van de voorspelling. Neem hiervoor het product van input_data en error en vermenigvuldig dat met 2.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate the predictions: preds
preds = ____

# Calculate the error: error
error = ____ - ____

# Calculate the slope: slope
slope = ____ * ____ * ____

# Print the slope
print(slope)

Code bewerken en uitvoeren