Skala upp till flera datapunkter

Du har sett hur olika vikter ger olika noggrannhet för en enskild prediktion. Vanligtvis vill du dock mäta modellens noggrannhet på många datapunkter. Nu ska du skriva kod för att jämföra noggrannheten hos två olika uppsättningar vikter, som har lagrats som weights_0 och weights_1.

input_data är en lista med arrayer. Varje element i listan innehåller de data som behövs för att göra en enskild prediktion. target_actuals är en lista med tal. Varje element i listan är det faktiska värde vi försöker prediktera.

I den här övningen använder du funktionen mean_squared_error() från sklearn.metrics. Den tar de sanna värdena och de predikterade värdena som argument.

Du använder också den förinstallerade funktionen predict_with_network(), som tar en array med data som första argument och vikter som andra argument.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Importera mean_squared_error från sklearn.metrics.
Använd en for-loop för att iterera över varje rad i input_data:
- Gör prediktioner för varje rad med weights_0 via funktionen predict_with_network() och lägg till resultatet i model_output_0.
- Gör samma sak för weights_1 och lägg till prediktionerna i model_output_1.
Beräkna medelkvadratfelet för model_output_0 och sedan model_output_1 med funktionen mean_squared_error(). Det första argumentet ska vara de faktiska värdena (target_actuals) och det andra argumentet ska vara de predikterade värdena (model_output_0 eller model_output_1).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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)

Redigera och kör kod