De nauwkeurigheid lijkt nog steeds wat beperkt. Weliswaar is er heel wat bereikt t.o.v. de eerste resultaten maar er moet meer te halen zijn. Eens kijken als we 'specialisten' inroepen. Ik maak een NN voor de lengtegraad en een voor de breedtegraad. Het is niet moeilijk het programma daarop aan te passen maar elke slordigheid wreekt zich uiteraard. Zo is er ineens sprake van onsamenhangende coordinaten op de plattegrondjes. Oh ja. De 'shuffle' moet natuurlijk voor de breedte en de lengte gelijkvormig worden uitgevoerd. Na wat verder zoeken en experimenteren lukt het om e.e.a. weer goed aan het werk te krijgen. Het resultaat valt tegen. Of moet ik juist mee zeggen? In dit geval lijken specialisten weinig toe te voegen. Bij vergelijkbare parameters krijg je ongeveer dezelfde uitkomst. Wel duurt het 2x zo lang omdat er nu 2 netwerken getraind moeten worden.
Ik sleutel nog wat aan de parameters en dat levert wel wat beter resultaat:
count 2010.000000
mean 0.259858
std 0.200074
min 0.005205
25% 0.113360
50% 0.213954
75% 0.355295
max 1.706290
Al van 34% naar 26% door het aanpassen van de 'learning_rate' naar 0.000004 in plaats van 0.000001.
Maar ik zoek nog wat fundamentelers. Ik pas de optimalisatie methode aan van 'nesterov_momentum' naar rmsprop, waar ik eerder bij de mnist karakterset gebruik van maakte. Het resultaat is veeel slechter. Hmmm. Misschien nog eens een nachtje over slapen.
Maar deze zien er in ieder geval heel goed uit:
Geen opmerkingen:
Een reactie posten