JavaScript для глубокого обучения 2021 TensorFlow js Ббк

tf.tensor2d(bostonData.trainFeatures)
;
tensors.trainTarget = 
tf.tensor2d(bostonData.trainTarget)
;
tensors.rawTestFeatures = 
tf.tensor2d(bostonData.testFeatures)
;
tensors.testTarget = 
tf.tensor2d(bostonData.testTarget)
;
}
// Запуск асинхронной загрузки данных после загрузки страницы
const tensors = {};
document.addEventListener('DOMContentLoaded', async () => {
await bostonData.loadData();
arraysToTensors();
}, false);
2.3.4. Точная формулировка задачи проекта 
Boston-housing
Теперь, когда у нас есть доступ к данным в нужном виде, не помешает более точно 
сформулировать задачу. Мы говорили, что хотели бы предсказать MEDV на основе 
прочих полей, но как нам определить, насколько хорошо мы справились с этой за­
дачей? Как отличить хорошую модель от еще лучшей?
Используемая в первом примере метрика 
meanAbsoluteError
одинаково учитыва­
ет все ошибки. Если набор состоял всего из десяти примеров данных и мы сделали 
предсказания для всех десяти, причем в девяти случаях правильно, а в десятом 
ошиблись на 30, то 
meanAbsoluteError
будет равна 3 (поскольку 30 / 10 = 3). Если же 
наши предсказания отклонялись от истинного значения на 3 для каждого примера 
данных, то 
meanAbsoluteError
тоже будет равна 3. Подобный принцип «равенства 
ошибок» может показаться единственным однозначно правильным вариантом, но 
есть немало причин выбрать другие метрики потерь, а не 
meanAbsoluteError
.
Еще один вариант: придавать крупным погрешностям больший вес, чем малень­
ким. Вместо среднего значения абсолютной погрешности мы можем использовать 
среднее значение 
квадратичной
погрешности.
Возвращаясь к сценарию с десятью примерами данных, видим, что при подходе со 
средней квадратичной погрешностью (MSE) потери будут меньше в случае равной 3 

---

92