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

Ver Curso

Instruções de exercício

  • Importar 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 anexe-as a model_output_0.

    • Faça o mesmo para weights_1, anexando as previsões a model_output_1.

  • Calcule o erro quadrático médio de model_output_0 e, em seguida, 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 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)