1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do uczenia głębokiego w Pythonie
Connected

ćwiczenie

Skalowanie na wiele punktów danych

Widzisz już, że różne wagi mogą dawać różną dokładność dla pojedynczej predykcji. Zazwyczaj jednak oceniasz dokładność modelu na wielu punktach danych. W tym ćwiczeniu napiszesz kod porównujący dokładność modelu dla dwóch różnych zestawów wag, zapisanych jako weights_0 i weights_1.

input_data to lista tablic. Każdy element tej listy zawiera dane potrzebne do wykonania jednej predykcji. target_actuals to lista liczb. Każdy element tej listy to wartość rzeczywista, którą próbujemy przewidzieć.

W tym ćwiczeniu skorzystasz z funkcji mean_squared_error() z biblioteki sklearn.metrics. Przyjmuje ona wartości rzeczywiste i przewidywane jako argumenty.

Wykorzystasz też wczytaną wcześniej funkcję predict_with_network(), która jako pierwszy argument przyjmuje tablicę danych, a jako drugi – wagi.

Instrukcje

100 XP
  • Zaimportuj mean_squared_error z sklearn.metrics.
  • Użyj pętli for, aby iterować po każdym wierszu input_data:
    • Wygeneruj predykcje dla każdego wiersza z wagami weights_0 przy użyciu funkcji predict_with_network() i dołącz je do model_output_0.
    • Zrób to samo dla weights_1, dołączając predykcje do model_output_1.
  • Oblicz błąd średniokwadratowy dla model_output_0, a następnie dla model_output_1, używając funkcji mean_squared_error(). Pierwszym argumentem powinny być wartości rzeczywiste (target_actuals), a drugim – wartości przewidywane (model_output_0 lub model_output_1).