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.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

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).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)

Edytuj i uruchom kod