ComenzarEmpieza gratis

Últimos pasos en modelos de clasificación

Ahora vas a crear un modelo de clasificación usando el conjunto de datos del Titanic, que ya se ha cargado en un DataFrame llamado df. Tomarás información sobre los pasajeros y predecirás cuáles sobrevivieron.

Las variables predictoras están guardadas en un array de NumPy predictors. El objetivo a predecir está en df.survived, aunque tendrás que manipularlo para usarlo con Keras. El número de características predictoras está almacenado en n_cols.

Aquí usarás el optimizador 'sgd', que significa Stochastic Gradient Descent. ¡Aprenderás más sobre esto en el siguiente capítulo!

Este ejercicio forma parte del curso

Introducción al Deep Learning en Python

Ver curso

Instrucciones del ejercicio

  • Convierte df.survived en una variable categórica usando la función to_categorical().
  • Especifica un modelo Sequential llamado model.
  • Añade una capa Dense con 32 nodos. Usa 'relu' como activation y (n_cols,) como input_shape.
  • Añade la capa de salida Dense. Como hay dos posibles resultados, debe tener 2 unidades, y como es un modelo de clasificación, la activation debe ser 'softmax'.
  • Compila el modelo usando 'sgd' como optimizer, 'categorical_crossentropy' como función de pérdida y metrics=['accuracy'] para ver la exactitud (la fracción de predicciones correctas) al final de cada época.
  • Ajusta el modelo usando predictors y target.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical

# Convert the target to categorical: target
target = ____

# Set up the model
model = ____

# Add the first layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____
Editar y ejecutar código