Compila y ajusta el modelo.

Ahora que tienes un modelo con dos salidas, compílalo con dos funciones de pérdida: error absoluto medio (MAE) para 'score_diff' y entropía cruzada binaria (también conocida como logloss) para 'won'. A continuación, ajusta el modelo con 'seed_diff' y 'pred' como entradas. Para los resultados, pronostica 'score_diff' y 'won'.

Este modelo puede utilizar las puntuaciones de los partidos para garantizar que los partidos reñidos (pequeña diferencia de puntuación) tengan menos probabilidades de ganar que los partidos desiguales (gran diferencia de puntuación).

El problema de regresión es más sencillo que el de clasificación, ya que el MAE penaliza menos al modelo por una pérdida debida al azar. Por ejemplo, si score_diff es -1 y won es 0, eso significa que team_1 tuvo mala suerte y perdió por un solo tiro libre. Los datos del problema fácil ayudan al modelo a encontrar una solución al problema difícil.

Este ejercicio forma parte del curso

Aprendizaje profundo avanzado con Keras

Instrucciones del ejercicio

Importa Adam desde keras.optimizers.
Compila el modelo con dos pérdidas: 'mean_absolute_error' y 'binary_crossentropy', y utiliza el optimizador Adam con una tasa de aprendizaje de 0,01.
Ajusta el modelo con las columnas « 'seed_diff' » y « 'pred' » como entradas y las columnas « 'score_diff' » y « 'won' » como objetivos.
Utiliza 10 épocas y un tamaño de lote de 16384.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Aprendizaje profundo avanzado con Keras

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

En este capítulo, te familiarizarás con los conceptos básicos de la API funcional de Keras. Crearás una red funcional sencilla utilizando bloques de construcción funcionales, la adaptarás a los datos y realizarás predicciones.

Exercise 1: Capas densas y de entrada de Keras Exercise 2: Capas de entrada Exercise 3: Capas densas Exercise 4: Capas de salida Exercise 5: Construye y compila un modelo.Exercise 6: Construye un modelo Exercise 7: Compilar un modelo Exercise 8: Visualiza un modelo Exercise 9: Ajustar y evaluar un modelo Exercise 10: Ajusta el modelo a los datos del torneo de baloncesto.Exercise 11: Evalúa el modelo en un conjunto de prueba.

En este capítulo, construirás redes de dos entradas que utilizan incrustaciones categóricas para representar datos de alta cardinalidad, capas compartidas para especificar bloques de construcción reutilizables y capas de fusión para unir varias entradas en una sola salida. Al final de este capítulo, tendrás los fundamentos básicos para diseñar redes neuronales con flujos de datos complejos.

Exercise 1: Incrustaciones de categorías Exercise 2: Definir búsqueda de equipo Exercise 3: Definir el modelo de equipo Exercise 4: Capas compartidas Exercise 5: Definición de dos entradas Exercise 6: Busca ambas entradas en el mismo modelo.Exercise 7: Combinar capas Exercise 8: Capa de salida utilizando capa compartida Exercise 9: Modelo con dos entradas y una salida Exercise 10: Predice a partir de tu modelo Exercise 11: Ajusta el modelo a los datos de entrenamiento de la temporada regular.Exercise 12: Evalúa el modelo con los datos de prueba del torneo.

En este capítulo, ampliarás tu modelo de 2 entradas a 3 entradas y aprenderás a utilizar las funciones summary y plot de Keras para comprender los parámetros y la topología de tus redes neuronales. Al final del capítulo, comprenderás cómo ampliar un modelo de 2 entradas a 3 entradas y más.

Exercise 1: Modelos de tres entradas Exercise 2: Crea una capa de entrada para «en casa» y «fuera».Exercise 3: Crea un modelo y compílalo.Exercise 4: Ajusta el modelo y evalúa Exercise 5: Resumen y gráficos de modelos Exercise 6: Resúmenes de modelos Exercise 7: Modelos gráficos Exercise 8: Modelos apilables Exercise 9: Añade las predicciones del modelo a los datos del torneo.Exercise 10: Crear una capa de entrada con varias columnas Exercise 11: Ajusta el modelo Exercise 12: Evaluar el modelo

En este capítulo, crearás redes neuronales con múltiples salidas, que pueden utilizarse para resolver problemas de regresión con múltiples objetivos. También crearás un modelo que resuelve simultáneamente un problema de regresión y un problema de clasificación.

Exercise 1: Modelos de dos salidas Exercise 2: Modelo simple de dos salidas Exercise 3: Ajusta un modelo con dos salidas Exercise 4: Inspecciona el modelo (I)Exercise 5: Evaluar el modelo Exercise 6: Modelo único para clasificación y regresión Exercise 7: Clasificación y regresión en un solo modelo Exercise 8: Compila y ajusta el modelo.

Ejercicio actual

Exercise 9: Inspecciona el modelo (II)Exercise 10: Evalúa los nuevos datos con dos métricas.Exercise 11: Resumen