Modellgenauigkeit anhand von Validierungsdatensatz bewerten
Jetzt bist du dran, die Genauigkeit des Modells mit einem Validierungsdatensatz zu checken. Eine Modelldefinition findest du unter model. Deine Aufgabe ist es, den Code hinzuzufügen, um ihn zu kompilieren und dann anzupassen. Du überprüfst den Validierungswert in jeder Epoche.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Kompiliere dein Modell mit „
'adam'“ als „optimizer“ und „'categorical_crossentropy'“ als „loss“. Um zu sehen, wie viele Vorhersagen in jeder Epoche richtig sind (der „accuracy“), gib das zusätzliche Schlüsselwortargument „metrics=['accuracy']“ in „model.compile()“ an. - Pass das Modell mit den Daten „
predictors“ und „target“ an. Mach eine Validierungsteilung von 30 % (oder0.3). Das wird in jeder Epoche gemeldet.
Interaktive 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 = ____