Kompilace a trénování modelu

Teď máš model se 2 výstupy – zkompiluj ho se 2 ztrátovými funkcemi: střední absolutní chybou (MAE) pro 'score_diff' a binární zkříženou entropií (také známou jako logloss) pro 'won'. Pak model natrénuj s 'seed_diff' a 'pred' jako vstupy. Jako výstupy predikuj 'score_diff' a 'won'.

Tento model může využívat skóre zápasů k tomu, aby těsné výsledky (malý rozdíl skóre) měly nižší pravděpodobnost výhry než jednoznačné výsledky (velký rozdíl skóre).

Regresní úloha je snazší než klasifikační, protože MAE model méně penalizuje za chyby způsobené náhodou. Například pokud je score_diff -1 a won je 0, znamená to, že team_1 měl smůlu a prohrál jediným trestným hodem. Data z jednodušší úlohy pomáhají modelu najít řešení té složitější.

Toto cvičení je součástí kurzu

Advanced Deep Learning with Keras

Zobrazit kurz

Pokyny k cvičení

Importuj Adam z keras.optimizers.
Zkompiluj model se 2 ztrátovými funkcemi: 'mean_absolute_error' a 'binary_crossentropy', a použij optimalizátor Adam s rychlostí učení 0,01.
Natrénuj model se sloupci 'seed_diff' a 'pred' jako vstupy a sloupci 'score_diff' a 'won' jako cílové hodnoty.
Použij 10 epoch a velikost dávky 16384.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)

Upravit a spustit kód