Začněte nyníZačněte zdarma

Trénování s více štítky

Výstup tvého multi-label modelu může vypadat třeba takto: [0.76 , 0.99 , 0.66 ]. Pokud zaokrouhlíme pravděpodobnosti vyšší než 0,5, bude toto pozorování klasifikováno jako obsahující všechny 3 možné štítky [1,1,1]. Pro tento konkrétní problém to znamená, že podle sítě je správné zalít všechny 3 parcely na tvé farmě, a to na základě naměřených hodnot ze senzorů.

Nyní natrénuješ model, který jsi právě sestavil/a, a použiješ ho k předpovědím. Proměnné sensors_train, parcels_train, sensors_test a parcels_test jsou už načtené a připravené k použití.

Podívejme se, jak dobře si tvůj chytrý systém povede!

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Natrénuj model na 100 epochs s hodnotou validation_split 0.2.
  • Proveď predikce pomocí svého modelu na testovacích datech.
  • Zaokrouhli své preds pomocí np.round().
  • Vyhodnoť přesnost svého modelu na testovacích datech.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Upravit a spustit kód