Масштабирование на несколько точек данных

Вы уже видели, как разные веса дают разную точность на одном предсказании. Однако на практике точность модели оценивают на множестве точек. В этом упражнении вы напишете код для сравнения точности двух наборов весов, сохранённых как weights_0 и weights_1.

input_data — это список массивов. Каждый элемент списка содержит данные для одного предсказания. target_actuals — это список чисел. Каждый элемент списка — фактическое значение, которое требуется предсказать.

В этом упражнении вы будете использовать функцию mean_squared_error() из библиотеки sklearn.metrics. Она принимает истинные значения и предсказанные значения в качестве аргументов.

Также вам понадобится предзагруженная функция predict_with_network(), которая принимает массив данных первым аргументом, а веса — вторым.

Это упражнение является частью курса

Введение в глубокое обучение на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте mean_squared_error из sklearn.metrics.
С помощью цикла for переберите каждую строку из input_data:
- Получите предсказания для каждой строки с weights_0, используя функцию predict_with_network(), и добавьте результат в model_output_0.
- Сделайте то же самое для weights_1, добавляя предсказания в model_output_1.
Вычислите среднеквадратическую ошибку для model_output_0, а затем для model_output_1 с помощью функции mean_squared_error(). Первым аргументом должны быть фактические значения (target_actuals), вторым — предсказанные (model_output_0 или model_output_1).

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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)

Редактировать и запускать код