Evaluación de la precisión del modelo en el conjunto de datos de validación

Ahora es tu turno de supervisar la precisión del modelo con un conjunto de datos de validación. Se ha proporcionado una definición de modelo en model. Tu trabajo consiste en añadir el código para compilarlo y luego ajustarlo. Comprobarás la puntuación de validación en cada época.

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo en Python

Ver curso

Instrucciones del ejercicio

Compila tu modelo utilizando 'adam' como optimizer y 'categorical_crossentropy' como loss. Para ver qué fracción de predicciones son correctas (el « accuracy ») en cada época, especifica el argumento clave adicional « metrics=['accuracy'] » en « model.compile() ».
Ajusta el modelo utilizando predictors y target. Crea una división de validación del 30 % (o un 0.3). Esto se informará en cada época.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Editar y ejecutar código