قراءة ميزة، والتحقق من القراءة
لماذا هذا مهم تحصل الميزة على اسم من أمثلتها العليا. هذا الاسم هو فرضية، ومعظم تسميات الميزات المنشورة لا يتم اختبارها أبدا مقابل نص لم يره المصنف.
قم بتحميل الـ sparse autoencoder المسجل للدورة (256 features، l1 0.3، تم تدريبه لـ 2,000 steps من 512 vectors، أطول مما يسمح به الدرس، ونفس الـ features على كل جهاز) واختر، لبعض الـ strings، الـ feature الأكثر تحديداً للمواقع التي ينتهي فيها النص بذلك الـ string. ثم قم بتسميته واختبر التسمية على نص مستبعد:
- precision: من الأماكن المستبعدة التي تظهر فيها الميزة بقوة (أعلى من نصف أكبر قيمة تدريب لها)، الحصة التي ينتهي فيها النص حقا بالنص
- recall: من الأماكن المستبعدة التي تنتهي بالنص، الحصة التي يشتعل فيها.
interp.top_contexts(sae, A, X, model, k) يوضح أين تعمل الميزة k بقوة أكبر، كالنص حتى ذلك الحرف.
توقع أولا: ميزة "tra" تعمل بقوة أكبر على " قبل tra" و " طبقات tra" (بداية "train"). هل سيكون ملصق "tra" صحيحا في معظم الأوقات على النص الجديد؟
الكلمات والرموز في هذا الدرس
- sparse autoencoder
- طبقة واسعة مدربة لإعادة بناء المتجهات من عدد قليل من الميزات النشطة في كل مرة
- الدقة، الاستدعاء (لتصنيف معين)
- من الأماكن التي تطلق فيها الميزة، يمثل النصيب الذي يناسب التصنيف؛ من الأماكن التي يناسبها التصنيف، يمثل النصيب الذي تطلقه
اجعل my_guess "yes" أو "no". اكتب check(k, s) الذي يعيد (precision, recall) على المتجهات المحجوزة، حيث تعمل الميزة في مكان ما عندما تكون قيمتها هناك أعلى من نصف أكبر قيمة لها في متجهات التدريب (F[:, k].max()). املأ results[s] = check(feature_for(s), s) لـ " the" و "ing" و "tra". اجعل honest_label السلاسل التي تحتفظ بالتسمية (precision لا يقل عن 0.7) واجعل really النهاية المكونة من ثلاثة أحرف التي تعمل عليها ميزة "tra" في معظم النصوص المحجوزة.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.