Modellgenauigkeit anhand des Validierungsdatensatzes auswerten

Nun bist du dran: Ermittle die Modellgenauigkeit mithilfe eines Validierungsdatensatzes. Eine Modell-Definition wurde als model bereitgestellt. Deine Aufgabe ist es, den Code zum Kompilieren hinzuzufügen und das Modell anschließend zu trainieren. Du prüfst die Validierungswerte für jeden Durchlauf.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Kompiliere dein Modell mit 'adam' als optimizer und 'categorical_crossentropy' als loss. Um zu sehen, welcher Anteil der Vorhersagen nach jedem Durchlauf korrekt ist (die accuracy), gib das zusätzliche Schlüsselwortargument metrics=['accuracy'] in model.compile() an.
Trainiere das Modell mit predictors und target. Erzeuge einen Validierungsanteil von 30 % (oder 0.3). Dieser wird in jeder Epoche berichtet.

Interaktive praktische Übung

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

# 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 = ____

Code bearbeiten und ausführen