Dans les exercices interactifs ci-dessous, vous utiliserez ce que vous avez appris pour entraîner un pour ajuster des données non linéaires.
Exercice
Dans les exercices de croisement de caractéristiques, dans le module Données catégorielles, vous avez créé manuellement des croisements de caractéristiques pour ajuster des données non linéaires. Nous allons maintenant voir s'il est possible de créer un réseau de neurones capable d'apprendre automatiquement comment ajuster des données non linéaires pendant l'entraînement.
Votre tâche:configurer un réseau de neurones capable de séparer les points orange points bleus dans le diagramme ci-dessous pour obtenir une perte inférieure à 0, 2 sur les deux les données d'entraînement et de test.
Instructions:
Dans le widget interactif ci-dessous:
- Modifiez les hyperparamètres du réseau de neurones en testant certaines
des paramètres de configuration suivants:
- Ajoutez ou supprimez des calques masqués en cliquant sur les boutons + et - à gauche du titre COUCHES CACHÉES dans le diagramme de réseau.
- Pour ajouter ou supprimer des neurones d'une couche cachée, cliquez sur les boutons + et - au-dessus d'une colonne de couche cachée.
- Modifiez le taux d'apprentissage en choisissant une nouvelle valeur dans Taux d'apprentissage. au-dessus du diagramme.
- Modifiez la fonction d'activation en choisissant une nouvelle valeur dans Activation au-dessus du diagramme.
- Cliquez sur le bouton de lecture (▶️) au-dessus du diagramme pour entraîner le réseau de neurones. à l'aide des paramètres spécifiés.
- Observer la visualisation du modèle qui ajuste les données en tant qu'entraînement les progrès réalisés, ainsi que Perte de test et Les valeurs de la perte d'entraînement dans dans la section Résultat.
- Si le modèle n'atteint pas une perte inférieure à 0,2 sur les données de test et d'entraînement, cliquez sur "Réinitialiser", puis répétez les étapes 1 à 3 avec un ensemble de paramètres de configuration différent. paramètres. Répétez ce processus jusqu'à ce que vous obteniez les résultats souhaités.
Cliquez ici pour découvrir notre solution
Nous sommes parvenus à réduire la perte d'évaluation et d'entraînement en dessous de 0,2 en:
- Ajout d'une couche cachée contenant trois neurones.
- Choisir un taux d'apprentissage de 0,01.
- Choisir une fonction d'activation de la fonction ReLU.