Ein einfaches neuronales Netz erstellen und trainieren

Als Nächstes lernst du ein neuronales Netzwerk kennen. Neuronale Netze können komplexe Wechselwirkungen zwischen Variablen erfassen, sind aber in der Einrichtung und im Verständnis anspruchsvoll. In letzter Zeit schlagen sie in vielen Bereichen menschliche Expertinnen und Experten, darunter Bilderkennung und Gaming (schau dir AlphaGo an) – sie haben also großes Potenzial für starke Leistungen.

Zum Aufbau unserer Netze verwenden wir die Bibliothek keras. Das ist eine High-Level-API, mit der wir schnell neuronale Netze erstellen können und trotzdem viel Kontrolle über das Design behalten. Zuerst erstellen wir nahezu das einfachste Netz – ein 3‑schichtiges Netz, das unsere Eingaben nimmt und einen einzelnen Wert vorhersagt. Ähnlich wie die sklearn-Modelle haben keras-Modelle eine .fit()-Methode, die Argumente der Form (features, targets) erwartet.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle als 2. Schicht im neuronalen Netz eine Dense-Schicht mit 20 Knoten und der ReLU-('relu') Aktivierung.
Erstelle die letzte Dense-Schicht mit 1 Knoten und einer linearen Aktivierung (activation='linear').
Trainiere das Modell mit den scaled_train_features und den train_targets.

Interaktive praktische Übung

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

from keras.models import Sequential
from keras.layers import Dense

# Create the model
model_1 = Sequential()
model_1.add(Dense(100, input_dim=scaled_train_features.shape[1], activation='relu'))
model_1.add(Dense(____, activation=____))
model_1.add(Dense(____, activation=____))

# Fit the model
model_1.compile(optimizer='adam', loss='mse')
history = model_1.fit(____, ____, epochs=25)

Code bearbeiten und ausführen