Últimos pasos en los modelos de clasificación

Ahora crearás un modelo de clasificación utilizando el conjunto de datos titanic, que se ha cargado previamente en un DataFrame llamado df. Tomarás información sobre los pasajeros y predecirás cuáles sobrevivieron.

Las variables predictivas se almacenan en una matriz NumPy predictors. El objetivo a predecir está en df.survived, aunque tendrás que manipularlo para Keras. El número de características predictivas se almacena en n_cols.

Aquí utilizarás el optimizador 'sgd', que significa Descenso Gradiente Estocástico. ¡Aprenderás más sobre esto en el próximo capítulo!

Este ejercicio forma parte del curso

Introducción al Aprendizaje Profundo en Python

Ver curso

Instrucciones de ejercicio

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

Ejercicio interactivo práctico

Pruebe este ejercicio completando este 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