LoslegenKostenlos starten

Training mit mehreren Labels

Eine Ausgabe deines Multi-Label-model könnte so aussehen: [0.76 , 0.99 , 0.66 ]. Wenn wir Wahrscheinlichkeiten größer als 0,5 runden, wird diese Beobachtung als alle 3 möglichen Labels klassifiziert: [1,1,1]. Für dieses konkrete Problem würde das bedeuten: Laut Netzwerk (auf Basis der Sensormessungen) ist es richtig, alle 3 Parzellen auf deinem Hof zu bewässern.

Jetzt wirst du mit dem soeben erstellten model trainieren und vorhersagen. sensors_train, parcels_train, sensors_test und parcels_test sind bereits für dich geladen.

Schauen wir mal, wie gut deine intelligente Maschine abschneidet!

Diese Übung ist Teil des Kurses

<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>
Kurs ansehen

Übungsanweisungen

  • Trainiere das Modell 100 epochs lang und verwende dabei einen validation_split von 0.2.
  • Erstelle Vorhersagen mit deinem model anhand der Testdaten.
  • Runde deine preds mit np.round().
  • Werte die Genauigkeit deines Modells auf den Testdaten aus.

Interaktive praktische Übung

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

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Code bearbeiten und ausführen