Ağustos 2024'te Makine Öğrenimi Crash Course'un yeni ve iyileştirilmiş sürümü kullanıma sunulacak. Gelişmeler için bizi takip etmeye devam edin.
Fazla mı geçiş yapıyorsunuz?
Videoyu izlemeden veya dokümanları okumadan önce, lütfen özellik
çaprazlarının aşırı kullanımını inceleyen bu alıştırmayı tamamlayın.
1. Görev: Modeli, verilen tüm ürünler arası özelliklerle olduğu gibi çalıştırın. Modelin verilere uymasında herhangi bir sürpriz var mı?
Sorun ne?
2. Görev: Performansı artırmak için çeşitli ürünler arası özellikleri kaldırmayı deneyin (biraz da olsa). Özellikleri kaldırmak
performansı neden artırır?
(Yanıtlar alıştırmanın hemen altında görünür.)
1. Görev cevabı için artı simgesini tıklayın.
Şaşırtıcı bir şekilde, modelin karar sınırı tuhaf görünüyor. Özellikle, verilerde gözle görülür bir destek olmasa da sol üstte maviye işaret eden bir bölge vardır.
INPUT ile OUTPUT arasındaki beş çizginin göreceli kalınlığına dikkat edin.
Bu çizgiler, beş özelliğin göreceli ağırlıklarını gösterir.
X1 ve X2'den çıkan çizgiler, özelliğin kesişimlerinden gelen çizgilerden çok daha kalındır. Dolayısıyla, özellik çaprazlamaları modele normal (çapraz geçiş yapmamış) özelliklerden çok daha az katkıda bulunur.
2. Görevin yanıtı için artı simgesini tıklayın.
Tüm özellik kesişimlerinin kaldırılması, daha makul bir model sağlar (artık fazla uyumu işaret eden eğimli bir sınır yoktur) ve test kaybının yakınlaşmasına neden olur.
1.000 yinelemeden sonra test kaybı, özelliğin kesiştiği zamana kıyasla biraz daha düşük bir değer olacaktır (veri kümesine bağlı olarak sonuçlarınız biraz değişiklik gösterebilir).
Bu alıştırmadaki veriler, temelde doğrusal veriler ile gürültüden oluşur.
Çok fazla çapraz çizgisi olan bir model gibi çok karmaşık bir model kullanırsak, modele eğitim verilerindeki gürültüye uymasına fırsat tanırız. Bu da genellikle modelin test verileri üzerinde kötü performans göstermesine neden olur.