特徴を読み、その読みを確かめる
なぜ大切か 特徴はその一番の例から名前を得ます。その名前は仮説で、発表された特徴のラベルのほとんどは、ラベルをつけた人が見なかった文章に対して一度も試されません。
コースの記録したスパースオートエンコーダー(256 の特徴、l1 0.3、512 のベクトルの 2,000 ステップで訓練したもの。レッスンが許すより長く、どの機械でも同じ特徴)を読み込み、いくつかの文字列について、文章がその文字列で終わる位置に最も特有の特徴を選んでください。それからそれにラベルをつけ、取り分けた文章でラベルを試します:
- 適合率:特徴が強く発火する(訓練での最大の値の半分より上)取り分けた場所のうち、文章が本当にその文字列で終わる割合。
- 再現率:その文字列で終わる取り分けた場所のうち、それが発火する割合。
interp.top_contexts(sae, A, X, model, k) は、特徴 k が最も強く発火する場所を、その文字までの文章として見せます。
まず予測してください:"tra" の特徴は " before tra" と " layers tra"("train" の始まり)で最も強く発火します。"tra" のラベルは新しい文章でほとんどの場合正しいか?
このレッスンの言葉と記号
- スパースオートエンコーダー
- 一度に少しの働いている特徴からベクトルを作り直すよう訓練した、幅の広い層
- 適合率、再現率(ラベルの)
- 特徴が発火する場所のうちラベルが合う割合。ラベルが合う場所のうちそれが発火する割合
my_guess を "yes" か "no" に設定してください。取り分けたベクトルの上で (precision, recall) を返す check(k, s) を書きます。特徴がある場所で発火するのは、そこでの値が訓練のベクトルの上での最大の値(F[:, k].max())の半分より上のときです。" the"、"ing"、"tra" について results[s] = check(feature_for(s), s) を埋めてください。honest_label をラベルが成り立つ(適合率が少なくとも 0.7)文字列に、really を "tra" の特徴が取り分けた文章で最も多く発火する 3 文字の終わりに設定してください。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。