Conteúdo do curso Lição 20 de 246 · Módulo 1: Python para este curso
Módulo 1: Python para este curso

Mini projeto: ajuste uma linha por nudging

Por que isso importa É assim que toda rede neural aprende, sem as palavras difíceis. Você fará isso aqui antes de ter um nome.

Alguns pontos estão aproximadamente em uma linha y = slope * x + intercept, mas não sabemos a inclinação ou o intercepto. Comece com ambos em 0. Meça o quão errada a linha está: o error é a média de (previsão menos verdade) ao quadrado. Depois dê um pequeno ajuste.

A receita do nudging

  1. Tente a inclinação um pouco mais alta e um pouco mais baixa. Mantenha aquela que diminuir o erro, se alguma delas diminuir.
  2. Faça o mesmo para o intercepto.
  3. Repita. Se nenhum empurrão ajudar, faça o empurrão menor e pare quando ele for minúsculo.

O erro cai passo a passo até a linha ficar nos pontos. No Módulo 3 você vai substituir "tentar ambas as direções" com uma fórmula que te diz qual caminho é para baixo imediatamente. Essa fórmula é o gradiente, e caminhar ao longo dele é chamado de gradient descent. O que você constrói aqui, tentando cada configuração para cima e para baixo em turnos, tem seu próprio nome: coordinate search. É mais lento, mas é a mesma ideia de caminhar para baixo.

Erro quadrático médio: a média de cada erro ao quadrado. Elevar ao quadrado torna cada erro positivo e pune os grandes mais.

Resumo Meça o quanto você está errado, dê um empurrãozinho, mantenha o que ajuda, repita.

Palavras e símbolos nesta lição
média, dispersão
a média, e aproximadamente o quanto os valores estão distantes dela (desvio padrão)
Sua vez

Escreva mse(slope, intercept, x, y) e fit_line(x, y). fit_line usa a receita de nudging: comece em 0 e 0 com um nudge de 1.0, reduza o nudge pela metade sempre que nenhum nudge ajudar, pare quando o nudge estiver abaixo de 0.0001 e retorne (slope, intercept). O teste oculto verifica se o erro nos novos dados está próximo ao melhor possível.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.