Multiclass-Klassifikationsprobleme
In dieser Übung gehen wir über binäre Klassifikation hinaus und betrachten Multiclass-Probleme. Ein Multiclass-Problem hat Zielwerte mit drei oder mehr möglichen Ausprägungen. Im Kreditkarten-Datensatz kann die Variable „education“ 6 verschiedene Werte annehmen, die jeweils einem anderen Bildungsniveau entsprechen. Das verwenden wir hier als Zielvariable und erweitern außerdem den Feature-Satz von 3 auf 10 Spalten.
Wie in der vorherigen Aufgabe definierst du eine Eingabeschicht, Dense-Schichten und eine Ausgabeschicht. Außerdem gibst du die Vorhersagen des untrainierten Modells aus – das sind die den Klassen zugeordneten Wahrscheinlichkeiten. Der Feature-Tensor wurde geladen und ist als borrower_features verfügbar. Zusätzlich stehen die Operationen constant(), float32 und keras.layers.Dense() zur Verfügung.
Diese Übung ist Teil des Kurses
Einführung in TensorFlow mit Python
Anleitung zur Übung
- Definiere die Eingabeschicht als 32-Bit-Konstanten-Tensor mithilfe von
borrower_features. - Setze die erste Dense-Schicht auf 10 Ausgabeknoten mit einer
sigmoid-Aktivierungsfunktion. - Setze die zweite Dense-Schicht auf 8 Ausgabeknoten mit einer rectified-linear-Unit-Aktivierungsfunktion.
- Setze die Ausgabeschicht auf 6 Ausgabeknoten mit der passenden Aktivierungsfunktion.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Construct input layer from borrower features
inputs = ____
# Define first dense layer
dense1 = keras.layers.Dense(____, activation='____')(inputs)
# Define second dense layer
dense2 = ____
# Define output layer
outputs = ____
# Print first five predictions
print(outputs.numpy()[:5])