JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
ради скорости доступа к ним и по другим всевозможным причинам. На самом деле 
системы баз данных часто упорядочивают данные незаметно для пользователей. 
В результате при потоковой передаче данных из какого­либо источника необ­
ходимо соблюдать осторожность, чтобы эти данные не оказались упорядочены 
каким­либо образом.
Рассмотрим следующий гипотетический пример. Для работы с недвижимостью 
необходимо оценивать стоимость жилья в Калифорнии. Мы находим набор данных 
в формате CSV с ценами на жилье
1
со всего штата вместе с соответствующими при­
знаками, например количеством комнат, возрастом здания и т. д. Хочется сразу же 
приступить к обучению функции, отображающей признаки в цены, раз уж данные 
у нас есть и мы знаем, как это сделать. Но, как нам хорошо известно, в данных часто 
встречаются изъяны и имеет смысл сначала внимательнее посмотреть на них. В пер­
вую очередь мы построим график зависимости части признаков от их индекса в мас­
сиве с помощью объектов 
Dataset
и библиотеки Plotly.js (рис. 6.3 и листинг 6.20) 
(сокращенная версия из 
https://codepen.io/tfjs-book/pen/MLQOem
).
Рис. 6.3.
Графики четырех признаков из набора данных относительно индекса примера данных. 
В идеале в чистом наборе данных IID индекс примера данных не дает никакой информации 
о значении признака. Здесь же для некоторых признаков распределение значений y явно зависит 
от x. И что совсем уж никуда не годится, признак «долгота», похоже, отсортирован по индексу 
примера данных
1 
Описание используемого здесь набора данных цен на жилье в Калифорнии можно най­
ти на сайте экспресс­курса по машинному обучению компании Google: http://mng.bz/ 
Xpm6.

---

Глава 6. Работа с данными