Letzte Schritte in Klassifizierungsmodellen
Jetzt erstellst du ein Klassifizierungsmodell mit dem Titanic-Datensatz, der schon in einen DataFrame namens „ df ” geladen wurde. Du sammelst Infos über die Passagiere und sagst voraus, wer überlebt hat.
Die Vorhersagevariablen sind in einem NumPy-Array gespeichert predictors. Das zu prognostizierende Ziel befindet sich in „ df.survived “, muss jedoch für Keras angepasst werden. Die Anzahl der prädiktiven Merkmale wird in „ n_cols “ gespeichert.
Hier benutzt du den Optimierer „ 'sgd' “, was für „Stochastic Gradient Descent“ steht. Mehr dazu erfährst du im nächsten Kapitel!
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Wandle „
df.survived” mit der Funktion „to_categorical()” in eine kategoriale Variable um. - Gib ein „
Sequential”-Modell mit dem Namen „model” an. - Füge eine „
Dense“-Ebene mit „32“-Knoten hinzu. Verwende'relu'alsactivationund(n_cols,)alsinput_shape. - Füge die Ausgabeschicht „
Dense“ hinzu. Da es zwei Ergebnisse gibt, sollte es 2 Einheiten haben, und weil es ein Klassifizierungsmodell ist, sollte die „activation“ „'softmax'“ sein. - Kompiliere das Modell mit „
'sgd'“ als „optimizer“, „'categorical_crossentropy'“ als Verlustfunktion und „metrics=['accuracy']“, um die Genauigkeit (wie viel Prozent der Vorhersagen waren richtig) am Ende jeder Epoche zu sehen. - Pass das Modell mit den Daten „
predictors“ und „target“ an.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical
# Convert the target to categorical: target
target = ____
# Set up the model
model = ____
# Add the first layer
____
# Add the output layer
____
# Compile the model
____
# Fit the model
____