Letzte Schritte bei Klassifikationsmodellen

Du erstellst jetzt ein Klassifikationsmodell mit dem Titanic-Datensatz, der bereits in ein DataFrame namens df geladen wurde. Du nutzt Informationen über die Passagiere, um vorherzusagen, wer überlebt hat.

Die Prädiktorvariablen sind in einem NumPy-Array predictors gespeichert. Das zu prognostizierende Ziel befindet sich in df.survived, muss für Keras jedoch noch aufbereitet werden. Die Anzahl der Prädiktor-Features ist in n_cols gespeichert.

Hier verwendest du den Optimierer 'sgd', was für Stochastic Gradient Descent steht. Mehr dazu lernst du im nächsten Kapitel!

Diese Übung ist Teil des Kurses

<Kurs>Einführung in Deep Learning mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Wandle df.survived mit der Funktion to_categorical() in eine kategoriale Variable um.
Spezifiziere ein Sequential-Modell namens model.
Füge eine Dense-Schicht mit 32 Knoten hinzu. Verwende 'relu' als activation und (n_cols,) als input_shape.
Füge die Dense-Ausgabeschicht hinzu. Da es zwei Ausgänge gibt, sollte sie zwei Units haben, und weil es ein Klassifikationsmodell ist, sollte die activation 'softmax' sein.
Kompiliere das Modell mit 'sgd' als optimizer, 'categorical_crossentropy' als Verlustfunktion und metrics=['accuracy'], um am Ende jeder Epoche die Accuracy (der Anteil korrekter Vorhersagen) zu sehen.
Trainiere das Modell mit predictors und target.

Interaktive praktische Übung

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

# 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
____

Code bearbeiten und ausführen