Bir özellik, bir modelin doğrusal olmayan verilere sığmasını gerçekten sağlayabilir mi?
Öğrenmek için bu alıştırmayı deneyin.
Görev: Aşağıdaki üç giriş özelliğinin ağırlıklarını manuel olarak değiştirerek mavi noktaları turuncu noktalardan ayıran bir model oluşturmayı deneyin:
x1
x2
x1x2 (öne çıkan özellik)
Kiloyu manuel olarak değiştirmek için:
ÖZELLİKLERİ OUTPUT öğesine bağlayan bir çizgiyi tıklayın.
Bir giriş formu görüntülenir.
Bu giriş formuna bir kayan nokta değeri yazın.
Enter tuşuna basın.
Bu egzersizin arayüzünde Adım düğmesi bulunmadığını unutmayın.
Bu alıştırmanın amacı, modelin tekrarlı şekilde eğitim vermemesidir.
Bunun yerine, modelin "son" ağırlıklarını manuel olarak girersiniz.
(Yanıtlar egzersizin hemen altında görünür.)
Yanıtın artı simgesini tıklayın.
w1 = 0
w2 = 0
x1x2 = 1 (veya tüm pozitif değerler)
Özellik çaprazı için negatif bir değer girerseniz model, mavi noktaları turuncu noktalardan ayırır, ancak tahminler tamamen yanlış olur.
Yani model, mavi noktalar için turuncu, turuncu noktalar için maviyi tahmin eder.
Daha Karmaşık Özellik Haçları
Şimdi, bazı gelişmiş özellik çapraz kombinasyonlarıyla oynayalım.
Bu Playground'daki veri kümesi, ortadaki mavi noktalar ve dış halkadaki turuncu
noktalar içeren, bir dart oyunundan gelen gürültülü bir boğa güreşi gibi görünüyor.
Model görselleştirmesinin açıklaması için artı simgesini tıklayın.
Her Playground alıştırmasında modelin mevcut durumunun görselleştirmesi gösterilir. Örneğin, burada bir görselleştirme verilmiştir:
Model görselleştirmeyle ilgili olarak aşağıdakileri dikkate alın:
Her eksen belirli bir özelliği temsil eder. Spam ile spam karşılaştırması söz konusu olduğunda özellikler, kelime sayısı ve e-postanın alıcı sayısı olabilir.
Her nokta, veri örneklerinin özellik değerlerini (ör. e-posta) çizer.
Noktanın rengi, örneğin ait olduğu sınıfı temsil eder.
Örneğin, mavi noktalar spam olmayan e-postaları temsil ederken turuncu noktalar spam e-postaları temsil edebilir.
Arka plan rengi, modelin o rengin örneklerini nerede bulabileceğine dair tahminini temsil eder. Mavi noktanın çevresindeki mavi arka plan, modelin bu örneği doğru tahmin ettiğini gösterir. Buna karşılık, mavi bir noktanın çevresindeki turuncu arka plan, modelin bu örneği yanlış tahmin ettiğini gösterir.
Arka plan mavileri ve turuncuları ölçeklendirilir. Örneğin, görselleştirmenin sol tarafı düz mavi renktedir ancak görselleştirmenin ortasında kademeli olarak beyazlaşmaya başlar. Renk gücünü, modelin tahminine güvenini ifade etmek olarak düşünebilirsiniz. Sabit mavi, modelin tahmininden çok emin olduğunu ve açık mavi olduğunu gösterir. (Şekilde gösterilen model görselleştirme, iyi bir tahmin işi yapmıyor.)
Modelinizin ilerleme durumunu değerlendirmek için görselleştirmeyi kullanın.
("Mükemmel - mavi noktaların çoğu mavi arka plana sahip" ya da "Hay aksi! Mavi noktaların turuncu arka planı vardır.
Playground, renklerin yanı sıra modelin mevcut kayıplarını da sayısal olarak gösterir.
('Hay aksi! Düşüş yerine kayıp yaşanıyor."
1. Görev: Bu doğrusal modeli verildiği şekilde çalıştırın. Bir veya iki dakikanızı ayırarak farklı öğrenme hızı ayarlarını deneyip iyileştirmenin mümkün olup olmadığını öğrenin. Doğrusal model, bu veri kümesi için etkili sonuçlar oluşturabilir mi?
2. Görev:x1x2 gibi ürünler arası özellikleri ekleyerek performansı optimize etmeye çalışın.
En yararlı özellikler hangileridir?
Elde edebileceğiniz en iyi performans nedir?
3. Görev: İyi bir modeliniz olduğunda model çıkış yüzeyini (arka plan rengiyle gösterilir) inceleyin.
Doğrusal model gibi görünüyor mu?
Bu modeli nasıl tanımlarsınız?
(Yanıtlar egzersizin hemen altında görünür.)
1. Görevin yanıtı için artı simgesini tıklayın.
Hayır. Doğrusal model bu veri kümesini etkili bir şekilde modelleyemez. Öğrenme oranının azaltılması kaybı azaltır, ancak kayıp yine de kabul edilemez yüksek bir değerde birleşir.
2. Görevin yanıtı için artı simgesini tıklayın.
Playground'un veri kümeleri rastgele oluşturulur. Sonuç olarak, verdiğimiz yanıtlar her zaman sizin yanıtlarınızla aynı olmayabilir. Çalıştırmalar arasındaki veri kümesini yeniden oluşturursanız, kendi sonuçlarınız her zaman önceki çalıştırmalarınızla tam olarak aynı olmayacaktır. Bununla birlikte, aşağıdakileri yaparak daha iyi sonuçlar elde edersiniz:
Özellik geçişleri olarak hem x12 hem de x22 kullanılmalıdır. (x1x2 özelliğinin özellik olarak eklenmesi, yardımcı görünmüyor.)
Öğrenim oranını (0, 001'e) düşürüyor.
3. Görevin yanıtı için artı simgesini tıklayın.
Model çıkış yüzeyi, doğrusal bir model gibi görünmüyor. Aksine, eliptik görünür.