Temario Lección 20 de 246 · Módulo 1: Python para este curso
Módulo 1: Python para este curso

Miniproyecto: ajustar una recta a empujones

Por qué importa Así aprende cualquier red neuronal, sin las palabras elegantes. Aquí lo harás antes de que tenga nombre.

Unos puntos están más o menos sobre una recta y = slope * x + intercept, pero no sabemos la pendiente ni el corte. Empieza con los dos en 0. Mide cuánto se equivoca la recta: el error es la media de (predicción menos verdad) al cuadrado. Luego empuja.

La receta de los empujones

  1. Prueba la pendiente un poco más alta, y un poco más baja. Quédate con la que baje el error, si alguna lo hace.
  2. Haz lo mismo con el corte.
  3. Repite. Si ningún empujón ayuda, haz el empujón más pequeño, y para cuando sea diminuto.

El error baja paso a paso hasta que la recta se asienta sobre los puntos. En el Módulo 3 sustituirás "probar las dos direcciones" por una fórmula que te dice enseguida hacia dónde es cuesta abajo. Esa fórmula es el gradiente, y caminar siguiéndolo se llama descenso de gradiente. Lo que construyes aquí, probar cada ajuste hacia arriba y hacia abajo por turnos, tiene su propio nombre: búsqueda por coordenadas. Es más lenta, pero es la misma idea de caminar cuesta abajo.

Error cuadrático medio: la media de cada error al cuadrado. Elevar al cuadrado hace positivo cada error y castiga más los grandes.

Resumen Mide cuánto te equivocas, empuja, quédate con lo que ayude, repite.

Palabras y símbolos de esta lección
media, dispersión
el promedio, y más o menos lo lejos que están los valores de él (la desviación típica)
Tu turno

Escribe mse(slope, intercept, x, y) y fit_line(x, y). fit_line usa la receta de los empujones: empieza en 0 y 0 con un empujón de 1.0, divide el empujón a la mitad cada vez que ningún empujón ayude, para cuando el empujón esté por debajo de 0.0001, y devuelve (slope, intercept). La prueba oculta comprueba que el error con datos nuevos está cerca del mejor posible.

¿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.