Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Bu alıştırmada, Parametreler alıştırmasında yer alan yakıt verimliliği verilerinin grafiğini tekrar ziyaret edeceksiniz. Ancak bu kez, kaybı en aza indiren doğrusal bir model için en uygun ağırlık ve önyargı değerlerini öğrenmek üzere gradyan azalma yöntemini kullanacaksınız.
Grafiğin altındaki üç görevi tamamlayın.
1.görev: 0,03 öğrenme hızı ayarlamak için grafiğin altındaki Öğrenme Hızı kaydırma çubuğunu ayarlayın. Eğim azalma yöntemini çalıştırmak için Başlat düğmesini tıklayın.
Model eğitiminin yakınsaması (sabit bir minimum kayıp değerine ulaşması) ne kadar sürer? Model yakınsamasında MSE değeri nedir? Bu değeri hangi ağırlık ve önyargı değerleri oluşturuyor?
Çözümümüzü görmek için artı simgesini tıklayın
0, 03 öğrenme hızı belirlediğimizde model yaklaşık 30 saniye sonra birleşti ve sırasıyla -2, 08 ve 23, 098 ağırlık ve önyargı değerleriyle 3'ün biraz altında bir MSE elde etti. Bu, iyi bir öğrenme hızı değeri seçtiğimizi gösterir.
2. görev: Grafiğin altındaki Sıfırla düğmesini tıklayarak grafikteki Ağırlık ve Önyargı değerlerini sıfırlayın. Öğrenme Hızı kaydırma çubuğunu 1,10e–5 civarında bir değere ayarlayın. Eğim azalma yöntemini çalıştırmak için Başlat düğmesini tıklayın.
Bu sefer model eğitiminin yakınsaması ne kadar sürdü?
Çözümü görmek için artı simgesini tıklayın
Model eğitimi birkaç dakika geçmesine rağmen hâlâ yakınlaşmadı. Ağırlık ve önyargı değerlerinde yapılan küçük güncellemeler, kayıp değerlerinin biraz daha düşük olmasına neden olmaya devam ediyor. Bu, daha yüksek bir öğrenme hızı seçmenin gradyan azalma yönteminin optimal ağırlık ve önyargı değerlerini daha hızlı bulmasını sağlayacağını gösterir.
3. görev: Grafikteki ağırlık ve önyargı değerlerini sıfırlamak için grafiğin altındaki Sıfırla düğmesini tıklayın. Öğrenme Hızı kaydırma çubuğunu 1'e kadar ayarlayın.
Eğim azalma yöntemini çalıştırmak için Başlat düğmesini tıklayın.
Gradyan azalma çalışırken kayıp değerlerine ne olur? Bu sefer model eğitiminin birleşmesi ne kadar sürer?
Çözümü görmek için artı simgesini tıklayın
Kayıp değerleri, yüksek değerlerde (300'ün üzerindeki MSE) büyük dalgalanmalar gösterir.
Bu, öğrenme hızının çok yüksek olduğunu ve model eğitiminin hiçbir zaman yakınsamaya ulaşmayacağını gösterir.
[null,null,["Son güncelleme tarihi: 2025-06-29 UTC."],[],[],null,["# Linear regression: Gradient descent exercise\n\nIn this exercise, you'll revisit the graph of fuel-efficiency data from\nthe [Parameters exercise](/machine-learning/crash-course/linear-regression/parameters-exercise). But this time, you'll\nuse gradient descent to learn the optimal weight and bias values for a linear\nmodel that minimizes loss.\n\nComplete the three tasks below the graph.\n| This interactive visualization can produce flashing visuals when set to a high Learning Rate, which may affect photosensitive individuals.\n\n**Task #1:** Adjust the **Learning Rate** slider below the graph to set a\nlearning rate of 0.03. Click the **Start** button to run gradient descent.\n\nHow long does the model training take to converge (reach a stable minimum\nloss value)? What is the MSE value at model convergence? What weight and bias\nvalues produce this value?\n\n#### Click the plus icon to see our solution\n\nWhen we set a learning rate of 0.03, the model converged after\napproximately 30 seconds, achieving a MSE of just under 3 with weight and\nbias values of --2.08 and 23.098, respectively. This indicates we've\npicked a good learning rate value.\n| **Note:** The data points in the graph vary slightly each time you load the page, so your solutions here may be a little different than ours.\n\n**Task #2:** Click the **Reset** button below the graph to reset the Weight and\nBias values in the graph. Adjust the **Learning Rate** slider to a value around\n1.10e^--5^. Click the **Start** button to run gradient descent.\n\nWhat do you notice about how long it takes the model training to converge\nthis time?\n\n#### Click the plus icon to see the solution\n\nAfter several minutes, model training still hasn't converged. Small\nupdates to Weight and Bias values continue to result in slightly lower\nloss values. This suggests that picking a higher learning rate would\nenable gradient descent to find the optimal weight and bias values more\nquickly.\n\n**Task #3:** Click the **Reset** button below the graph to reset the Weight\nand Bias values in the graph. Adjust the **Learning Rate** slider up to 1.\nClick the **Start** button to run gradient descent.\n\nWhat happens to the loss values as gradient descent runs? How long will model\ntraining take to converge this time?\n\n#### Click the plus icon to see the solution\n\nLoss values fluctuate wildly at high values (MSE over 300).\nThis indicates that the learning rate is too high, and model training\nwill never reach convergence."]]
