Últimos pasos en los modelos de clasificación
Ahora crearás un modelo de clasificación utilizando el conjunto de datos titanic, que se ha precargado en un DataFrame llamado df. Recopilarás información sobre los pasajeros y predecirás cuáles han sobrevivido.
Las variables predictivas se almacenan en un arreglo NumPy predictors. El objetivo a predecir se encuentra en df.survived, aunque tendrás que manipularlo para Keras. El número de características predictivas se almacena en n_cols.
Aquí utilizarás el optimizador de gradiente descendente estocástico( 'sgd' ), que significa descenso estocástico del gradiente. ¡Aprenderás más sobre esto en el próximo capítulo!
Este ejercicio forma parte del curso
Introducción al aprendizaje profundo en Python
Instrucciones del ejercicio
- Convierte un valor de tipo «
df.survived» en una variable categórica utilizando la función «to_categorical()». - Especifica un modelo de
Sequentialllamadomodel. - Añade una capa «
Dense» con nodos «32». Utiliza'relu'comoactivationy(n_cols,)comoinput_shape. - Añade la capa de salida «
Dense». Dado que hay dos resultados, debería tener 2 unidades, y dado que se trata de un modelo de clasificación, el número de entrenamientos (activation) debería ser'softmax'. - Compila el modelo utilizando
'sgd'comooptimizer,'categorical_crossentropy'como función de pérdida ymetrics=['accuracy']para ver la precisión (qué fracción de predicciones fueron correctas) al final de cada época. - Ajusta el modelo utilizando el
predictorsy eltarget.
Ejercicio interactivo práctico
Prueba este ejercicio completando 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
____