Evaluación de modelos
Tienes disponibles dos modelos ya entrenados: large_model, que tiene muchos parámetros, y small_model, que tiene menos. Ambos se han entrenado con train_features y train_labels, que también tienes disponibles. Además, cuentas con un conjunto de prueba independiente formado por test_features y test_labels.
Tu objetivo es comparar el rendimiento relativo de los modelos y determinar si alguno muestra señales de sobreajuste. Para ello, evaluarás large_model y small_model tanto en el conjunto de entrenamiento como en el de prueba. Para cada modelo, puedes aplicar el método .evaluate(x, y) para calcular la pérdida sobre las features x y las etiquetas y. Después, compararás las cuatro pérdidas obtenidas.
Este ejercicio forma parte del curso
Introducción a TensorFlow en Python
Instrucciones del ejercicio
- Evalúa el modelo pequeño con los datos de entrenamiento.
- Evalúa el modelo pequeño con los datos de prueba.
- Evalúa el modelo grande con los datos de entrenamiento.
- Evalúa el modelo grande con 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))