Evaluar modelos
Se han entrenado dos modelos y están disponibles: large_model small_model , que tiene muchos parámetros, y , que tiene menos parámetros. Ambos modelos se han entrenado utilizando train_features y train_labels, que están a tu disposición. También está disponible un conjunto de pruebas independiente, formado por test_features y test_labels.
Tu objetivo es evaluar el rendimiento relativo de los modelos y también determinar si alguno de ellos muestra signos de sobreajuste. Lo harás evaluando large_model y small_model tanto en el conjunto de entrenamiento como en el de prueba. Para cada modelo, puedes hacerlo aplicando el método .evaluate(x, y) para calcular la pérdida de las características x y las etiquetas y. A continuación, compararás las cuatro pérdidas generadas.
Este ejercicio forma parte del curso
Introducción a TensorFlow en Python
Instrucciones del ejercicio
- Evalúa el modelo pequeño utilizando los datos entrenados.
- Evalúa el modelo pequeño utilizando los datos de prueba.
- Evalúa el modelo grande utilizando los datos entrenados.
- Evalúa el modelo grande utilizando los datos de prueba.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Evaluate the small model using the train data
small_train = small_model.evaluate(____, ____)
# Evaluate the small model using the test data
small_test = ____
# Evaluate the large model using the train data
large_train = large_model.evaluate(____, ____)
# Evaluate the large model using the test data
large_test = ____
# Print losses
print('\n Small - Train: {}, Test: {}'.format(small_train, small_test))
print('Large - Train: {}, Test: {}'.format(large_train, large_test))