Краткие итоги главы 163
4.3.5. Предсказания на новых данных
Вызвав.метод.predict().нашей.модели.бинарной.классификации,.мы.получили. скалярную.оценку.в.диапазоне.от.0.до.1.для.каждого.образца.во.входной.выборке..
predict() .модели.многоклассовой.классификации.вернул.распределение.вероятностей.по.всем.классам.для.каждого.образца..А.predict() .модели.скалярной. регрессии.возвращает.прогноз.цены.для.данного.образца.в.тысячах.долларов:
>>>predictions = model.predict(test_data)
>>>predictions[0]
array([9.990133], dtype=float32)
Таким.образом,.модель.считает,.что.первый.дом.в.контрольной.выборке.будет. стоить.около.10.000.долларов.
4.3.6. Подведение итогов
Вот.какие.выводы.вы.должны.сделать.из.этого.примера.
.Регрессия.выполняется.с.применением.иных.функций.потерь,.нежели.классификация..Для.регрессии.часто.используется.функция.потерь,.вычисля ющая.среднеквадратичную.ошибку.(mean.squared.error,.MSE).
.Аналогично.для.регрессии.используются.иные.метрики.оценки,.нежели.при. классификации;.понятие.точности.неприменимо.для.регрессии,.поэтому.для. оценки.качества.часто.берется.средняя.абсолютная.ошибка.(mean.absolute. error,.MAE).
.Когда.признаки.образцов.на.входе.имеют.значения.из.разных.диапазонов,. их.необходимо.предварительно.масштабировать.
.При.небольшом.объеме.входных.данных.надежно.оценить.качество.модели. поможет.метод.перекрестной.проверки.по.K.блокам.
.При.небольшом.объеме.обучающих.данных.предпочтительнее.использовать. маленькие.модели.с.небольшим.количеством.промежуточных.слоев.(обычно. с.одним.или.двумя),.чтобы.избежать.серьезного.переобучения.
КРАТКИЕ ИТОГИ ГЛАВЫ
.Наиболее.распространенными.задачами.машинного.обучения.на.векторных. данных.являются:.бинарная.классификация,.многоклассовая.классификация. и.скалярная.регрессия:
•. в.разделах.«Подведение.итогов».выше.в.этой.главе.перечисляются.наиболее.важные.выводы,.которые.вы.должны.извлечь.из.примеров.решений. этих.задач;
164 Глава 4. Начало работы с нейронными сетями: классификация и регрессия
•. при.регрессии.используются.иные.функции.потерь.и.метрики,.нежели. при.классификации.
.Исходные.данные.обычно.приходится.подвергать.предварительной.обработке. перед.передачей.в.нейронную.сеть.
.Когда.данные.включают.в.себя.признаки.со.значениями.из.разных.диапазонов,.их.необходимо.предварительно.масштабировать.
.В.процессе.обучения.нейронных.сетей.в.какой-то.момент.появляется.эффект. переобучения,.из-за.чего.падает.качество.результатов.оценки.сети.на.данных,. которые.она.прежде.не.видела.
.При.небольшом.объеме.обучающих.данных.используйте.небольшие.модели. с.одним.или.двумя.промежуточными.слоями,.чтобы.избежать.серьезного. переобучения.
.В.том.случае,.когда.данные.делятся.на.большое.число.категорий,.у.вас.может. возникнуть.узкое.место.для.информации,.если.вы.слишком.сильно.ограничите.размерность.промежуточных.слоев.
.При.небольшом.объеме.входных.данных.надежно.оценить.качество.модели. поможет.метод.перекрестной.проверки.по.K.блокам.