Inspecciona el modelo (II)

Ahora deberías echar un vistazo a los pesos de este modelo. En particular, ten en cuenta el último peso del modelo. Este peso convierte la diferencia de puntuación prevista en una probabilidad de victoria prevista. Si multiplicas la diferencia de puntuación prevista por el último peso del modelo y luego aplicas la función sigmoide, obtienes la probabilidad de victoria del juego.

Este ejercicio forma parte del curso

Aprendizaje profundo avanzado con Keras

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Print the model weights
print(____)

# Print the training data means
print(____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Aprendizaje profundo avanzado con Keras

IntermedioNivel de habilidad

4.9+

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.Exercise 9: Inspecciona el modelo (II)

Ejercicio actual

Exercise 10: Evalúa los nuevos datos con dos métricas.Exercise 11: Resumen