JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
105
шему выходному сигналу, а FEAT2 — наоборот. На самом деле, поскольку эти 
признаки эквивалентны, если поменять их местами, модель будет выводить точно 
те же значения.
Еще один нюанс — необходимо всегда различать корреляцию и причинную связь. 
Представьте себе простую модель предсказания силы дождя по степени влажности 
крыши. При наличии меры влажности крыши можно, наверное, сделать предсказа­
ние относительно осадков за последний час. Однако недостаточно просто налить 
воды на датчик, чтобы вызвать дождь!
Упражнения
1. Мы выбрали задачу оценки времени с жестко «зашитыми» обучающими дан­
ными из раздела 2.1 потому, что данные были приблизительно линейными. 
Впрочем, в других наборах данных поверхности потерь и их поведение во 
время обучения могут оказаться другими. Попробуйте заменить данные сво­
ими собственными и посмотрите, как среагирует модель. Возможно, вам при­
дется поэкспериментировать со скоростью обучения, начальными значениями 
и нормализацией, чтобы модель начала сходиться к какому­либо интересному 
результату.
2. В подразделе 2.3.5 мы потратили немало времени на рассказ о том, почему нор­
мализация так важна и как нормализовать входные данные к нулевому среднему 
значению и единичной дисперсии. Модифицируйте этот пример, убрав норма­
лизацию, и убедитесь, что модель более не обучается. Можете также модифи­
цировать процедуру нормализации так, чтобы среднее значение данных было 
ненулевым или среднеквадратичное отклонение было меньше нынешнего, но 
все же больше единицы. Одни виды нормализации приведут к работоспособной 
модели, а в результате других модель перестанет сходиться.
3. Хорошо известно, что одни признаки набора данных Boston­housing более полез­
ны для предсказания целевого признака, чем другие. Некоторые из его признаков 
представляют собой просто шум в том смысле, что не несут информации, по­
лезной для предсказания цен на недвижимость. Если бы нам пришлось оставить 
из всех признаков лишь один, какой следует выбрать? А если оставить два, то 
какие? Поэкспериментируйте с кодом из нашего примера и выясните это.
4. Расскажите, почему оптимизация модели путем обновления весов с помощью 
градиентного спуска лучше, чем при случайном выборе параметров.
5. Пример Boston­housing выводит пять наиболее крупных по абсолютному зна­
чению весов. Попробуйте модифицировать код так, чтобы выводить признаки, 
соответствующие самым маленьким весам. Как вы думаете, почему они малы? 
Если вам зададут вопрос о том, почему эти весовые коэффициенты так малы, 
что вы ответите? И о каких нюансах интерпретации значений предостережете 
собеседника?

---

106