Un neurone prédit un prix (régression linéaire)
Pourquoi c'est important Le réseau de neurones le plus simple, c'est un neurone sans activation. C'est aussi un outil classique : la régression linéaire. Tout ce qui est plus grand est construit à partir de ça.
Chaque maison, ce sont deux nombres : sa surface et sa proximité de la ville (tous deux ramenés entre 0 et 1). Le neurone prédit price = w1 * size + w2 * closeness + b. Pour tout un lot : X @ w + b.
De tout petits nombres
Avec w = (3, 1.5) et b = 0.5, une maison de surface 0.5 et de proximité 0.2 obtient 1.5 + 0.3 + 0.5 = 2.3, soit 230 000.
La perte est l'erreur quadratique moyenne du module 1 : la moyenne de (prédiction moins vérité) au carré.
Régression linéaire : prédire un nombre comme une somme pondérée des entrées plus un biais. C'est un seul neurone sans activation.
Récap Prédis avec X @ w + b ; note avec l'erreur quadratique moyenne.
Mots et symboles de cette leçon
- neurone
- w . x + b, puis une activation
- poids (w, W), biais (b)
- les nombres qu'un neurone apprend ; le biais décale sa sortie
Écris predict(X, w, b) et mse(pred, y). Puis fixe w_guess et b_guess à la main (essaie quelques valeurs et affiche la perte) pour que la perte sur les données soit inférieure à 0.05.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.