カテゴリデータ: 特徴クロス演習

プレイグラウンドは、 インタラクティブなアプリケーションであり、 ML モデルのトレーニングとテストの 側面です Playground では、特徴を選択してハイパーパラメータを調整したり、 その選択がモデルにどのように影響するかを 確認します

このページには、Playground の演習が 2 つあります。

演習 1: 基本的な特徴クロス

この演習では、プレイグラウンドの次の部分に焦点を当てます。 ユーザー インターフェース:

  • [FEATURES] の下に、考えられる 3 つのモデルの特徴があります。 <ph type="x-smartling-placeholder">
      </ph>
    • x1
    • x2
    • x1x2
  • [OUTPUT] の下に、オレンジ色と青色のドットを含む四角形が表示されます。たとえば四角い森の中で オレンジ色の点は病気の木の位置を示し、青い点は病気の木の位置を示します。 予測します。
  • [FEATURES] と [OUTPUT] の間には、詳しく見ると、次の 3 つが表示されます。 各特徴を出力に接続する微妙な破線。 破線の幅は、現在関連付けられている重みを表しています。 学習します各特徴の開始重みは 0 に初期化されているため、これらの線は非常に薄くなっています。体重が増減すると 線の太さによって変わります。

タスク 1: 次の手順でプレイグラウンドを確認します。

  1. 特徴 x1 を出力に接続する弱い線をクリックします。 ポップアップが表示されます。
  2. ポップアップで、重み 1.0 を入力します。
  3. Enter キーを押します。

次の点に注意してください。

  • x1 の破線は、重みが大きくなるにつれて太くなる。 0 から 1.0 の範囲で設定できます
  • オレンジと青の背景が表示されます。
    • オレンジ色の背景は、病気の木がどこにあったかをモデルが推測したものです。 説明します。
    • 青い背景は、健全な木が生えている場所をモデルが推測した 説明します。 モデルの動作がひどいモデルの推測の約半分が、 間違いです
  • x1 の重みは 1.0、その他の特徴の重みは 0 であるため、 モデルは x1 の値と完全に一致します。

タスク 2: 3 つの特徴のいずれかまたはすべての重みを変更して、 病気や健康状態の予測に成功する 学習します。解答はプレイグラウンドのすぐ下に表示されます。

演習 2: より高度な特徴クロスを行う

2 つ目の演習では、出力モデルのオレンジ色のドット（病気の木）と青色のドット（健康な木）の配置を見て、次のことを確認します。

  • ドットはほぼ球状のパターンを形成します。
  • ドットの配置はノイズが多くなっています。たとえば時折青い文字の オレンジ色の点の外側に点が入ります。したがって、優れたモデルであっても、各ドットを正しく予測することは困難です。

タスク 1: 次の手順で Playground UI を確認します。

  1. 黒い内部に白い三角形がある [Run/Pause] ボタンをクリックします。 クリックします。Playground でモデルのトレーニングが開始されます。エポック カウンタが増加していることを確認します。
  2. システムが少なくとも 300 エポックのトレーニングを終えたら、同じエポックを押してください。 トレーニングを一時停止する実行/一時停止ボタン。
  3. モデルを確認します。モデルの予測は適切かつまり、青いドットは通常青い背景で囲まれており、オレンジ色のドットは通常オレンジ色の背景で囲まれているか。
  4. [OUTPUT] のすぐ下に表示される [Test loss] の値を確認します。この値は 1.0（損失が高い）に近いですか？それとも 0（損失が低い）に近いですか？
  5. プレイグラウンドをリセットするには、 実行/一時停止ボタン。

タスク 2: 次のようにして、より優れたモデルを構築します。

  1. 5 つの機能のうち、任意の組み合わせを選択または選択解除します。
  2. 学習率を調整する。
  3. システムを 500 エポック以上トレーニングします。
  4. テスト損失の値を調べる。テスト損失は 0.2 未満ですか。

ソリューションは [Playground] の下に表示されます。

前へ
特徴クロス（5 分）
次へ
理解度テスト（10 分）