Dimensionamento para vários pontos de dados
Você já viu como pesos diferentes terão precisões diferentes em uma única previsão. Mas, normalmente, você desejará medir a precisão do modelo em muitos pontos. Agora você escreverá um código para comparar a precisão do modelo para dois conjuntos diferentes de pesos, que foram armazenados como weights_0
e weights_1
.
input_data
é uma lista de matrizes. Cada item dessa lista contém os dados necessários para fazer uma única previsão.
target_actuals
é uma lista de números. Cada item dessa lista é o valor real que estamos tentando prever.
Neste exercício, você usará a função mean_squared_error()
de sklearn.metrics
. Ele usa os valores reais e os valores previstos como argumentos.
Você também usará a função predict_with_network()
pré-carregada, que recebe uma matriz de dados como primeiro argumento e pesos como segundo argumento.
Este exercício faz parte do curso
Introdução à aprendizagem profunda em Python
Instruções de exercício
Importar
mean_squared_error
desklearn.metrics
.Usando um loop
for
para iterar sobre cada linha deinput_data
:Faça previsões para cada linha com
weights_0
usando a funçãopredict_with_network()
e anexe-as amodel_output_0
.Faça o mesmo para
weights_1
, anexando as previsões amodel_output_1
.
Calcule o erro quadrático médio de
model_output_0
e, em seguida, demodel_output_1
usando a funçãomean_squared_error()
. O primeiro argumento deve ser os valores reais (target_actuals
), e o segundo argumento deve ser os valores previstos (model_output_0
oumodel_output_1
).
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
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)