Escalando para múltiplos pontos de dados

Você viu como pesos diferentes geram precisões diferentes em uma única previsão. Mas, normalmente, você vai querer medir a precisão do modelo em muitos pontos. Agora, você vai escrever código para comparar as precisões do modelo para dois conjuntos de pesos diferentes, armazenados como weights_0 e weights_1.

input_data é uma lista de arrays. Cada item nessa lista contém os dados para fazer uma única previsão. target_actuals é uma lista de números. Cada item nessa lista é o valor real que estamos tentando prever.

Neste exercício, você usará a função mean_squared_error() de sklearn.metrics. Ela recebe os valores verdadeiros e os valores previstos como argumentos.

Você também usará a função pré-carregada predict_with_network(), que recebe um array de dados como primeiro argumento e os pesos como segundo argumento.

Este exercício faz parte do curso

Introdução a Deep Learning em Python

Ver curso

Instruções do exercício

Importe mean_squared_error de sklearn.metrics.
Usando um loop for para iterar sobre cada linha de input_data:
- Faça previsões para cada linha com weights_0 usando a função predict_with_network() e adicione-as a model_output_0.
- Faça o mesmo para weights_1, adicionando as previsões a model_output_1.
Calcule o erro quadrático médio de model_output_0 e depois de model_output_1 usando a função mean_squared_error(). O primeiro argumento deve ser os valores reais (target_actuals), e o segundo argumento deve ser os valores previstos (model_output_0 ou model_output_1).

Exercício interativo prático

Experimente este exercício completando 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)

Editar e executar o código