シラバス レッスン 246 中 93 · モジュール 7:新しいデータで働く
モジュール 7:新しいデータで働く

関門:未学習にせずに隔たりを閉じる(AI オフ)

なぜ大切か 訓練と検証の隔たりを閉じるのは、モデルを役に立たなくしてよいなら簡単です。モデルを良く保ちながらそれをするのが本物の技です。このモジュールをもう知っている? ほかのレッスンの前に、先にこの関門を受けられます:合格するとこのモジュールが終わったことになり、次が開きます。

AI のチューターはオフです。25 の点での次数 14 の多項式はひどく過学習します。次数 14 を保ち、検証のセットでその強さを選んで、重み減衰(バイアスとバリアンスのレッスンのリッジ)を使わなければなりません。

検証のセットを見て alpha を選ぶので、検証の誤差は今や少しお世辞を言っています。なので関門は、コードが決して見ない 2,000 の新しい点の別のテストのセットで点数を付けます。それが、調整したモデルを報告する正直なやり方です。

このレッスンの言葉と記号
過学習、未学習
訓練のデータの雑音に合わせること。またはパターンに合わせるには単純すぎること
検証のセット
設定を選ぶのに使う、取っておいたデータ
バイアス、バリアンス
毎回同じやり方で間違えること。または訓練のデータとともに大きく変わること
リッジ (alpha)
強さ alpha の重み減衰付きの最小二乗法
あなたの番

次数 14 の多項式の係数(最も低い累乗が先)を返す fit(x, y) を書いてください。それは、0 より大きいある alpha についての solve(A.T A + alpha I, A.T y)、リッジの解でなければなりません(テストはこれを確かめるので、ゼロで埋めた小さな多項式は数えられません)。隠れたテストのセットでの誤差が 0.045 未満で、隔たり(テスト引く訓練)が 0.05 未満なら合格です。目安として:素朴な最小二乗法のテストの誤差は約 0.73、最良の alpha は約 0.034、10 の累乗のような妥当な格子の上で検証のセットで正直に選んだ alpha は約 0.034 から 0.039 です。平らで縮めすぎた当てはめは 0.045 の上限に落ちます。

AI オフ:この問題ではチューター、ヒント、解答例はありません。自分の頭だけで考えましょう。

このレッスンに問題を見つけましたか?報告する · このレッスンについて質問する

コード · ブラウザで実行
出力

        

あなたの進捗は匿名で記録されています。 変更する