ขอแนะนําฟีเจอร์ครอส
ฟีเจอร์สามารถข้ามโมเดลเพื่อให้พอดีกับข้อมูลที่ไม่ใช่แบบเชิงเส้นได้จริงหรือ มาดูการออกกําลังกายแบบฝึกหัดนี้เลย
งาน: ลองสร้างโมเดลที่แยกจุดสีน้ําเงินออกจากจุดสีส้มโดยการเปลี่ยนน้ําหนักของฟีเจอร์อินพุต 3 รายการต่อไปนี้ด้วยตนเอง
- x1
- x2
- x1 x2 (กากบาทสําหรับคุณลักษณะ)
วิธีการเปลี่ยนน้ําหนักด้วยตนเอง
- คลิกที่เส้นเชื่อมต่อฟีเจอร์กับเอาต์พุต แบบฟอร์มการป้อนข้อมูลจะปรากฏขึ้น
- พิมพ์ค่าจุดลอยตัวลงในแบบฟอร์มอินพุตนั้น
- กด Enter
โปรดทราบว่าอินเทอร์เฟซสําหรับแบบฝึกหัดนี้ไม่มีปุ่มขั้นตอน เพราะแบบฝึกหัดนี้ไม่ใช่การฝึกโมเดลซ้ํา คุณจะต้องป้อนน้ําหนัก "final" สําหรับโมเดลด้วยตนเองแทน
(คําตอบจะปรากฏใต้แบบฝึกหัด)
ไม้กางเขนสถานที่ที่ซับซ้อนมากขึ้น
มาเล่นกับชุดค่าผสมของฟีเจอร์ขั้นสูงขั้นสูงกันบ้าง ข้อมูลที่ตั้งไว้ในแบบฝึกหัด Playground นี้คล้ายกับลูกตาดังๆ จากเกมปาเป้าที่มีจุดสีน้ําเงินอยู่ตรงกลางและมีจุดสีส้มอยู่ในวงนอก
คลิกไอคอนบวกเพื่อดูคําอธิบายในการแสดงภาพของโมเดล
แบบฝึกหัดแต่ละรายการใน Playground จะแสดงสถานะปัจจุบันของโมเดล ตัวอย่างเช่น ด้านล่างนี้เป็นการแสดงภาพ
โปรดคํานึงถึงสิ่งต่อไปนี้เกี่ยวกับการแสดงภาพโมเดล
- แต่ละแกนแสดงคุณลักษณะที่เจาะจง ในกรณีที่เป็นจดหมายขยะหรือไม่ใช่สแปม ฟีเจอร์อาจเป็นจํานวนคําและจํานวนผู้รับอีเมล
- แต่ละจุดจะแสดงค่าของฟีเจอร์สําหรับตัวอย่างข้อมูลเพียง 1 ตัวอย่าง เช่น อีเมล
- สีของจุดแสดงถึงคลาสในตัวอย่างนี้ เช่น จุดสีน้ําเงินอาจหมายถึงอีเมลที่ไม่ใช่สแปม ส่วนจุดสีส้มอาจหมายถึงอีเมลสแปม
- สีพื้นหลังแสดงถึงการคาดคะเนโมเดลที่จะพบตัวอย่างสีดังกล่าว พื้นหลังสีฟ้ารอบจุดสีน้ําเงิน บ่งบอกว่าโมเดลกําลังคาดการณ์ตัวอย่างดังกล่าวอย่างถูกต้อง ในทางกลับกัน พื้นหลังสีส้มรอบจุดสีน้ําเงินหมายความว่าโมเดลคาดการณ์ตัวอย่างนั้นไม่ถูกต้อง
- สีน้ําเงินและสีส้มอาจมีการปรับขนาด เช่น ภาพทางด้านซ้ายของเป็นสีน้ําเงินทึบ แต่ค่อยๆ จางลงเป็นสีขาวตรงกลางภาพ ระดับความเข้มของสีเป็นเหมือนการชี้ให้เห็นถึงความเชื่อมั่นในโมเดล สีน้ําเงินทึบมากหมายความว่าโมเดลมีความมั่นใจมากเกี่ยวกับการคาดเดาและสีน้ําเงินอ่อนหมายความว่าโมเดลมีความมั่นใจน้อยกว่า (การแสดงภาพโมเดลที่แสดงในรูปทําการคาดการณ์ได้ไม่ดีนัก)
ใช้การแสดงภาพเพื่อตัดสินความคืบหน้าของโมเดล ("ดีมาก จุดสีน้ําเงินส่วนใหญ่มีพื้นหลังสีฟ้า" หรือ &"ไม่ จุดสีน้ําเงินจะมีพื้นหลังสีส้ม") นอกจากสีสันแล้ว Playground ยังแสดงการสูญเสียในปัจจุบันของตัวเลขอีกด้วย ("ไม่ ความสูญเสียจะเพิ่มขึ้นแทนที่จะลดลง")
งานที่ 1: เรียกใช้รูปแบบเชิงเส้นนี้ตามที่กําหนดไว้ ใช้เวลา 1 หรือ 2 นาที (แต่ไม่เกิน) เพื่อลองใช้การตั้งค่าอัตราการเรียนรู้ต่างๆ เพื่อดูว่าคุณจะหาการปรับปรุงได้หรือไม่ โมเดลเชิงเส้นจะสร้างผลลัพธ์ที่มีประสิทธิภาพสําหรับชุดข้อมูลนี้ได้ไหม
งานที่ 2: ลองเพิ่มฟีเจอร์ข้ามผลิตภัณฑ์ เช่น x1x2 เพื่อเพิ่มประสิทธิภาพ
- ฟีเจอร์ใดมีประโยชน์มากที่สุด
- ประสิทธิภาพที่ดีที่สุดที่คุณจะได้รับคืออะไร
งานที่ 3: เมื่อมีโมเดลที่ดี ให้ตรวจสอบแพลตฟอร์มเอาต์พุตของโมเดล (แสดงโดยสีพื้นหลัง)
- จะดูเหมือนรูปแบบเชิงเส้นไหม
- คุณจะอธิบายเกี่ยวกับโมเดลอย่างไร
(คําตอบจะปรากฏใต้แบบฝึกหัด)