Evaluar la exactitud del modelo en el conjunto de validación

Ahora te toca a ti monitorizar la exactitud del modelo con un conjunto de validación. Ya tienes la definición del modelo en model. Tu tarea es añadir el código para compilarlo y luego ajustarlo. Comprobarás la puntuación de validación en cada época.

Este ejercicio forma parte del curso

Introducción al Deep Learning en Python

Ver curso

Instrucciones del ejercicio

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

Ejercicio interactivo práctico

Prueba este ejercicio y completa 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