Modell zusammenstellen und anpassen

Jetzt, wo du ein Modell mit zwei Ausgängen hast, kompiliere es mit zwei Verlustfunktionen: mittlerer absoluter Fehler (MAE) für 'score_diff' und binäre Kreuzentropie (auch bekannt als Logloss) für 'won'. Dann passe das Modell mit „ 'seed_diff' “ und „ 'pred' “ als Eingaben an. Für die Ausgaben sag mal 'score_diff' und 'won' voraus.

Dieses Modell kann die Ergebnisse der Spiele nutzen, um sicherzustellen, dass knappe Spiele (kleine Punktedifferenz) niedrigere Gewinnwahrscheinlichkeiten haben als Spiele mit deutlichem Vorsprung (große Punktedifferenz).

Das Regressionsproblem ist einfacher als das Klassifizierungsproblem, weil MAE das Modell weniger für Verluste aufgrund von Zufällen bestraft. Wenn zum Beispiel „ score_diff ” -1 ist und „ won ” 0, heißt das, dass „ team_1 ” Pech hatte und wegen eines einzigen Freiwurfs verloren hat. Die Daten für das einfache Problem helfen dem Modell, eine Lösung für das schwierige Problem zu finden.

Diese Übung ist Teil des Kurses

Fortgeschrittenes Deep Learning mit Keras

Anleitung zur Übung

Importiere Adam aus keras.optimizers.
Kompiliere das Modell mit zwei Verlusten: „ 'mean_absolute_error' “ und „ 'binary_crossentropy' “ und nimm den Adam-Optimierer mit einer Lernrate von 0,01.
Pass das Modell an mit den Spalten „ 'seed_diff' “ und „ 'pred' “ als Eingaben und den Spalten „ 'score_diff' “ und „ 'won' “ als Ziele.
Verwende 10 Epochen und eine Batchgröße von 16384.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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=____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Fortgeschrittenes Deep Learning mit Keras

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel lernst du die Grundlagen der funktionalen API von Keras kennen. Du baust ein einfaches funktionierendes Netzwerk mit funktionalen Bausteinen, passt es an Daten an und machst Vorhersagen.

Exercise 1: Keras-Eingabe- und Dense-Schichten Exercise 2: Eingabeschichten Exercise 3: Dichte Schichten Exercise 4: Ausgabeschichten Exercise 5: Modell erstellen und kompilieren Exercise 6: Modell erstellen Exercise 7: Modell zusammenstellen Exercise 8: Ein Modell vorstellen Exercise 9: Ein Modell anpassen und bewerten Exercise 10: Passe das Modell an die Basketball-Turnierdaten an.Exercise 11: Das Modell anhand eines Testsatzes bewerten

In diesem Kapitel baust du Netzwerke mit zwei Eingängen, die kategoriale Einbettungen verwenden, um Daten mit hoher Kardinalität darzustellen, gemeinsame Schichten, um wiederverwendbare Bausteine festzulegen, und Merge-Schichten, um mehrere Eingaben zu einer einzigen Ausgabe zusammenzufügen. Am Ende dieses Kapitels hast du die Grundlagen für das Design von neuronalen Netzen mit komplexen Datenflüssen drauf.

Exercise 1: Kategorie-Einbettungen Exercise 2: Team-Suche definieren Exercise 3: Team-Modell festlegen Exercise 4: Gemeinsame Ebenen Exercise 5: Zwei Eingaben festlegen Exercise 6: Such beide Eingaben im selben Modell Exercise 7: Ebenen zusammenführen Exercise 8: Ausgabeschicht mit gemeinsamer Schicht Exercise 9: Modell mit zwei Eingaben und einer Ausgabe Exercise 10: Sag es mit deinem Modell voraus Exercise 11: Passe das Modell an die Trainingsdaten der regulären Saison an.Exercise 12: Das Modell anhand der Turnier-Testdaten bewerten

In diesem Kapitel erweiterst du dein Modell mit zwei Eingängen auf drei Eingänge und lernst, wie du die Funktionen „summary“ und „plot“ von Keras nutzen kannst, um die Parameter und die Topologie deiner neuronalen Netze zu verstehen. Am Ende des Kapitels wirst du wissen, wie man ein Modell mit zwei Eingängen auf drei Eingänge und mehr erweitert.

Exercise 1: Modelle mit drei Eingängen Exercise 2: Erstell 'ne Eingabeeinheit für Heim- und Auswärtsspiele.Exercise 3: Mach ein Modell und kompiliere es Exercise 4: Pass das Modell an und schau, wie es funktioniert Exercise 5: Modelle zusammenfassen und grafisch darstellen Exercise 6: Modellzusammenfassungen Exercise 7: Modelle zeichnen Exercise 8: Modelle stapeln Exercise 9: Füge die Modellvorhersagen zu den Turnierdaten hinzu.Exercise 10: Erstell eine Eingabeschicht mit mehreren Spalten Exercise 11: Das Modell anpassen Exercise 12: Das Modell bewerten

In diesem Kapitel baust du neuronale Netze mit mehreren Ausgängen, die du zum Lösen von Regressionsproblemen mit mehreren Zielen verwenden kannst. Außerdem erstellst du ein Modell, das gleichzeitig ein Regressionsproblem und ein Klassifizierungsproblem löst.

Exercise 1: Modelle mit zwei Ausgängen Exercise 2: Einfaches Modell mit zwei Ausgängen Exercise 3: Ein Modell mit zwei Ausgängen anpassen Exercise 4: Schau dir das Modell an (I)Exercise 5: Das Modell bewerten Exercise 6: Ein einziges Modell für Klassifizierung und Regression Exercise 7: Klassifizierung und Regression in einem Modell Exercise 8: Modell zusammenstellen und anpassen

Aktuelle Übung

Exercise 9: Schau dir das Modell an (II)Exercise 10: Neue Daten anhand von zwei Kennzahlen bewerten Exercise 11: Zusammenfassung