Regressão linear: exercício de gradiente descendente
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Neste exercício, você vai revisitar o gráfico de dados de eficiência de combustível do
exercício de parâmetros. Mas, desta vez, você vai usar a
gradiente descendente para aprender os valores de peso e viés ideais para um modelo linear
que minimize a perda.
Conclua as três tarefas abaixo do gráfico.
Tarefa 1:ajuste o controle deslizante Taxa de aprendizado abaixo do gráfico para definir uma taxa de aprendizado de 0,03. Clique no botão Start para executar a descida pendente.
Quanto tempo o treinamento do modelo leva para convergir (atingir um valor mínimo estável
de perda)? Qual é o valor da MSE na convergência do modelo? Quais valores de peso e viés
produzem esse valor?
Clique no ícone de adição para conferir nossa solução.
Quando definimos uma taxa de aprendizado de 0,03, o modelo convergiu após
aproximadamente 30 segundos, alcançando um MSE de pouco menos de 3 com valores de peso e
viés de –2,08 e 23,098, respectivamente. Isso indica que escolhemos
um bom valor de taxa de aprendizado.
Tarefa 2:clique no botão Redefinir abaixo do gráfico para redefinir os valores de peso e viés no gráfico. Ajuste o controle deslizante Taxa de aprendizado para um valor de
1,10e–5. Clique no botão Start para executar a descida pendente.
O que você notou sobre o tempo que o treinamento do modelo leva para convergir
dessa vez?
Clique no ícone de adição para conferir a solução.
Após vários minutos, o treinamento do modelo ainda não foi concluído. Pequenas
atualizações nos valores de peso e viés continuam resultando em valores de perda
um pouco menores. Isso sugere que escolher uma taxa de aprendizado mais alta permitiria que a descida côncava encontrasse os valores de peso e viés ideais mais rapidamente.
Tarefa 3:clique no botão Redefinir abaixo do gráfico para redefinir os valores de peso e viés no gráfico. Ajuste o controle deslizante Taxa de aprendizado para 1.
Clique no botão Start para executar a descida pendente.
O que acontece com os valores de perda à medida que o gradiente descendente é executado? Quanto tempo o treinamento
do modelo vai levar para convergir dessa vez?
Clique no ícone de adição para conferir a solução.
Os valores de perda variam muito em valores altos (MSE acima de 300).
Isso indica que a taxa de aprendizado é muito alta e que o treinamento do modelo
nunca vai alcançar a convergência.
[null,null,["Última atualização 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."]]
