Vyhodnocení přesnosti modelu na validační sadě

Teď je řada na tobě – zkus sledovat přesnost modelu pomocí validační sady dat. K dispozici máš definici modelu uloženou jako model. Tvým úkolem je doplnit kód pro jeho kompilaci a trénování. Validační skóre budeš sledovat v každé epoše.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Zkompiluj model pomocí 'adam' jako optimizer a 'categorical_crossentropy' pro loss. Aby ses mohl/a podívat, jaký podíl predikcí je správný (accuracy) v každé epoše, přidej do model.compile() argument metrics=['accuracy'].
Natrénuj model na datech predictors a target. Nastav validační split na 30 % (tedy 0.3). Výsledky se budou zobrazovat v každé epoše.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Upravit a spustit kód