การถดถอยเชิงเส้น: แบบฝึกหัดการลดค่าของ Gradient
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
ในแบบฝึกหัดนี้ คุณจะเห็นกราฟข้อมูลการประหยัดเชื้อเพลิงจากแบบฝึกหัดพารามิเตอร์อีกครั้ง แต่ครั้งนี้ คุณจะใช้การลดเชิงลาดเพื่อเรียนรู้ค่าน้ำหนักและค่าอคติที่ดีที่สุดสำหรับโมเดลเชิงเส้นที่ลดการสูญเสียให้น้อยที่สุด
ทํางาน 3 รายการใต้กราฟให้เสร็จสมบูรณ์
งาน #1: ปรับแถบเลื่อนอัตราการเรียนรู้ใต้กราฟเพื่อกำหนดอัตราการเรียนรู้เป็น 0.03 คลิกปุ่มเริ่มเพื่อเรียกใช้การลดเชิงลาด
การฝึกโมเดลใช้เวลานานเท่าใดจึงจะบรรลุความสอดคล้อง (ถึงค่าการสูญเสียขั้นต่ำที่เสถียร) ค่า MSE ที่การบรรจบของโมเดลคืออะไร ค่าน้ำหนักและค่าความลำเอียงใดที่ทำให้เกิดค่านี้
คลิกไอคอนเครื่องหมายบวกเพื่อดูวิธีแก้ปัญหา
เมื่อเราตั้งค่าอัตราการเรียนรู้เป็น 0.03 แบบจําลองจะบรรลุความสอดคล้องหลังจากผ่านไปประมาณ 30 วินาที โดยได้ MSE เพียง 2.99 โดยมีค่าน้ำหนักและค่าอคติเป็น –2.08 และ 23.098 ตามลําดับ ซึ่งบ่งชี้ว่าเราได้เลือกค่าอัตราการเรียนรู้ที่ดี
งาน #2: คลิกปุ่มรีเซ็ตใต้กราฟเพื่อรีเซ็ตค่าน้ำหนักและค่าความเบี่ยงเบนในกราฟ ปรับแถบเลื่อนอัตราการเรียนรู้เป็นค่าประมาณ 1.10e–5 คลิกปุ่มเริ่มเพื่อเรียกใช้การลดเชิงลาด
คุณสังเกตเห็นอะไรบ้างเกี่ยวกับระยะเวลาที่การฝึกโมเดลจะบรรจบกันในครั้งนี้
คลิกไอคอนเครื่องหมายบวกเพื่อดูวิธีแก้ปัญหา
หลังจากผ่านไปหลายนาที การฝึกโมเดลยังคงไม่บรรลุ การอัปเดตค่าน้ำหนักและค่าอคติเล็กน้อยยังคงส่งผลให้ค่าการสูญเสียลดลงเล็กน้อย ซึ่งหมายความว่าการเลือกอัตราการเรียนรู้ที่สูงขึ้นจะช่วยให้การลดเชิงลาดสามารถค้นหาค่าน้ำหนักและค่าอคติที่เหมาะสมได้เร็วขึ้น
งาน #3: คลิกปุ่มรีเซ็ตใต้กราฟเพื่อรีเซ็ตค่าน้ำหนักและค่าเบี่ยงเบนในกราฟ ปรับแถบเลื่อนอัตราการเรียนรู้เป็น 1
คลิกปุ่มเริ่มเพื่อเรียกใช้การลดเชิงลาด
จะเกิดอะไรขึ้นกับค่าการสูญเสียเมื่อการลดเชิงลาดทำงาน การฝึกโมเดลจะใช้เวลานานเท่าใดจึงจะบรรลุข้อสรุปในครั้งนี้
คลิกไอคอนเครื่องหมายบวกเพื่อดูวิธีแก้ปัญหา
ค่าการสูญเสียจะผันผวนอย่างมากเมื่อมีค่าสูง (MSE มากกว่า 300)
ซึ่งหมายความว่าอัตราการเรียนรู้สูงเกินไป และการฝึกโมเดลจะไม่บรรลุความสอดคล้อง
