อัตราการเรียนรู้และการบรรจบกัน
นี่เป็นแบบฝึกหัดแรกจากหลายๆ แบบฝึกหัดของ Playground Playground เป็นโปรแกรมที่พัฒนาขึ้นมาสำหรับหลักสูตรนี้เพื่อสอนหลักการของแมชชีนเลิร์นนิงโดยเฉพาะ แบบฝึกหัดใน Playground แต่ละครั้งในหลักสูตรนี้จะมีอินสแตนซ์สนามเด็กเล่นแบบฝัง ที่มีค่าที่กำหนดล่วงหน้า
แบบฝึกหัดใน Playground แต่ละครั้งจะสร้างชุดข้อมูล ป้ายกำกับสำหรับชุดข้อมูลนี้มีค่าที่เป็นไปได้ 2 ค่า คุณอาจมองว่าค่า 2 อย่างนี้เป็นสแปมกับไม่ใช่สแปม หรือต้นไม้ที่แข็งแรงดีกับต้นไม้ที่ป่วย เป้าหมายของการออกกำลังกายส่วนใหญ่คือการปรับแต่งไฮเปอร์พารามิเตอร์ต่างๆ เพื่อสร้างโมเดลที่จำแนก (แยกหรือแยก) ค่าป้ายกำกับหนึ่งออกจากอีกป้ายกำกับได้สำเร็จ โปรดทราบว่าชุดข้อมูลส่วนใหญ่มีเสียงรบกวนจำนวนหนึ่งที่จะทำให้จัดประเภทตัวอย่างทั้งหมดไม่สำเร็จ
อินเทอร์เฟซสำหรับแบบฝึกหัดนี้จะมี 3 ปุ่ม ดังนี้
Icon | ชื่อ | จุดประสงค์ในการใช้ |
---|---|---|
รีเซ็ต | รีเซ็ตการทำซ้ำเป็น 0 รีเซ็ตน้ำหนักที่โมเดลเรียนรู้ไปแล้ว | |
ขั้นตอน | ทำซ้ำ 1 ครั้ง การทำซ้ำๆ แต่ละครั้งทำให้โมเดลเปลี่ยนแปลงไป ซึ่งบางครั้งก็เป็นไปได้ยากและบางครั้งก็เกิดขึ้นมาก | |
สร้างใหม่ | สร้างชุดข้อมูลใหม่ ไม่รีเซ็ตการทำซ้ำ |
ในแบบฝึกหัด Playground แรกนี้ คุณจะได้ทดสอบ อัตราการเรียนรู้โดยการดำเนินการ 2 อย่าง
งานที่ 1: สังเกตเมนูอัตราการเรียนรู้ที่ด้านขวาบนของ Playground อัตราการเรียนรู้ที่ระบุ 3 สูงมาก สังเกตว่าอัตราการเรียนรู้สูงส่งผลต่อโมเดลของคุณอย่างไรโดยคลิกปุ่ม "ขั้นตอน" 10 หรือ 20 ครั้ง หลังการปรับปรุงล่วงหน้าแต่ละครั้ง ให้สังเกตว่าภาพ โมเดลเปลี่ยนแปลงไปอย่างมาก คุณอาจเห็นความไม่เสถียรบ้างหลังจากที่โมเดลดูเหมือนมีการเกิด Conversion นอกจากนี้ให้สังเกตบรรทัดที่ทำงานตั้งแต่ x1 และ x2 ไปยังการแสดงภาพโมเดล น้ำหนักของเส้นเหล่านี้จะระบุน้ำหนักของจุดสนใจเหล่านั้นในรูปแบบ เส้นหนาแสดงว่ามีน้ำหนักสูง
งานที่ 2: ทำสิ่งต่อไปนี้
- กดปุ่มรีเซ็ต
- ลดอัตราการเรียนรู้
- กดปุ่มขั้นตอนหลายๆ ครั้ง
อัตราการเรียนรู้ที่ต่ำลงส่งผลต่อการลู่เข้าอย่างไร ตรวจสอบทั้งจำนวนขั้นตอนที่ต้องใช้เพื่อให้โมเดลมาบรรจบกัน และตรวจสอบว่าโมเดลบรรจบกันอย่างราบรื่นและมั่นคงเพียงใด ทดสอบกับค่าอัตราการเรียนรู้ ที่ต่ำลงไปอีก คุณพบว่าอัตราการเรียนรู้ช้าเกินกว่าที่จะเป็นประโยชน์หรือไม่ (คุณจะพบการสนทนา ที่ด้านล่างของแบบฝึกหัด)