Temario Lección 225 de 246 · Módulo 21: Mirar dentro de un modelo
Módulo 21: Mirar dentro de un modelo

Leer una característica, y comprobar la lectura

Por qué importa Una característica recibe un nombre a partir de sus mejores ejemplos. Ese nombre es una hipótesis, y la mayoría de las etiquetas de características publicadas nunca se ponen a prueba con texto que quien las etiquetó no vio.

Carga el autocodificador disperso grabado del curso (256 características, l1 0.3, entrenado durante 2,000 pasos de 512 vectores, más de lo que permite una lección, y con las mismas características en todas las máquinas) y elige, para unas cuantas cadenas, la característica más específica de las posiciones donde el texto termina en esa cadena. Luego etiquétala y pon a prueba la etiqueta con texto reservado:

  • precisión: de los sitios reservados donde la característica se activa con fuerza (por encima de la mitad de su mayor valor en entrenamiento), la proporción donde el texto termina de verdad en la cadena;
  • exhaustividad: de los sitios reservados que terminan en la cadena, la proporción donde se activa.

interp.top_contexts(sae, A, X, model, k) muestra dónde se activa con más fuerza la característica k, como el texto hasta ese carácter.

Predice primero: la característica de "tra" se activa con más fuerza en " before tra" y " layers tra" (el principio de "train"). ¿Una etiqueta "tra" acertará la mayoría de las veces con texto nuevo?

Palabras y símbolos de esta lección
autocodificador disperso
una capa ancha entrenada para reconstruir vectores a partir de unas pocas características activas cada vez
precisión, exhaustividad (de una etiqueta)
de los sitios donde se activa una característica, la proporción donde encaja la etiqueta; de los sitios donde encaja la etiqueta, la proporción donde se activa
Tu turno

Pon en my_guess "yes" (sí) o "no". Escribe check(k, s) que devuelva (precisión, exhaustividad) con los vectores reservados, donde la característica se activa en un sitio cuando su valor allí supera la mitad de su mayor valor con los vectores de entrenamiento (F[:, k].max()). Rellena results[s] = check(feature_for(s), s) para " the", "ing" y "tra". Pon en honest_label las cadenas cuya etiqueta se sostiene (precisión de al menos 0.7) y en really la terminación de tres letras en la que más se activa la característica de "tra" con texto reservado.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.