Modelgewichten verbeteren

Hoera! Je hebt zojuist de hellingen berekend die je nodig hebt. Nu is het tijd om die hellingen te gebruiken om je model te verbeteren. Als je de hellingen bij je gewichten optelt, beweeg je in de juiste richting. Het is echter mogelijk om te ver door te schieten. Neem daarom eerst een kleine stap in die richting met een lagere learning rate en controleer of het model verbetert.

De gewichten zijn vooraf geladen als weights, de werkelijke waarde van het doel als target, en de invoergegevens als input_data. De voorspellingen op basis van de initiële gewichten zijn opgeslagen als preds.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning in Python

Cursus bekijken

Oefeninstructies

Stel de learning rate in op 0.01 en bereken de fout van de oorspronkelijke voorspellingen. Dit is al voor je gedaan.
Bereken de geüpdatete gewichten door het product van learning_rate en slope af te trekken van weights.
Bereken de geüpdatete voorspellingen door weights_updated te vermenigvuldigen met input_data en hun som te nemen.
Bereken de fout voor de nieuwe voorspellingen. Sla het resultaat op als error_updated.
Klik op 'Antwoord verzenden' om de geüpdatete fout te vergelijken met de oorspronkelijke!

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)

Code bewerken en uitvoeren