ขยายขนาดไปสู่หลายจุดข้อมูล

เราได้เห็นแล้วว่าค่า weights ที่ต่างกันจะให้ความแม่นยำที่ต่างกันในการทำนายค่าเดียว แต่โดยทั่วไปแล้ว การวัดความแม่นยำของโมเดลต้องใช้ข้อมูลหลายจุด ในแบบฝึกหัดนี้ จะเขียนโค้ดเพื่อเปรียบเทียบความแม่นยำของโมเดลจาก weights สองชุด ซึ่งเก็บไว้ใน weights_0 และ weights_1

input_data คือลิสต์ของอาร์เรย์ โดยแต่ละรายการในลิสต์มีข้อมูลสำหรับการทำนายหนึ่งครั้ง target_actuals คือลิสต์ของตัวเลข โดยแต่ละรายการคือค่าจริงที่ต้องการทำนาย

ในแบบฝึกหัดนี้ จะใช้ฟังก์ชัน mean_squared_error() จาก sklearn.metrics ซึ่งรับค่าจริงและค่าที่ทำนายได้เป็นอาร์กิวเมนต์

นอกจากนี้ยังใช้ฟังก์ชัน predict_with_network() ที่โหลดไว้ล่วงหน้า ซึ่งรับอาร์เรย์ของข้อมูลเป็นอาร์กิวเมนต์แรก และ weights เป็นอาร์กิวเมนต์ที่สอง

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Introduction to Deep Learning in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

Import mean_squared_error จาก sklearn.metrics
ใช้ for loop วนซ้ำในแต่ละแถวของ input_data:
- ทำนายผลสำหรับแต่ละแถวด้วย weights_0 โดยใช้ฟังก์ชัน predict_with_network() แล้ว append ผลลัพธ์ไปยัง model_output_0
- ทำแบบเดียวกันกับ weights_1 โดย append ผลลัพธ์ไปยัง model_output_1
คำนวณค่า mean squared error ของ model_output_0 และ model_output_1 โดยใช้ฟังก์ชัน mean_squared_error() โดยอาร์กิวเมนต์แรกคือค่าจริง (target_actuals) และอาร์กิวเมนต์ที่สองคือค่าที่ทำนายได้ (model_output_0 หรือ model_output_1)

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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)

แก้ไขและรันโค้ด