Compiler et entraîner le modèle

Maintenant que vous avez un modèle avec 2 sorties, compilez-le avec 2 fonctions de perte : l'erreur absolue moyenne (MAE) pour 'score_diff' et l'entropie croisée binaire (aussi appelée logloss) pour 'won'. Ensuite, entraînez le modèle avec 'seed_diff' et 'pred' comme entrées. Pour les sorties, prédisez 'score_diff' et 'won'.

Ce modèle peut utiliser les pointages des matchs pour s'assurer que les matchs serrés (écart de pointage faible) ont des probabilités de gain plus faibles que les matchs à sens unique (écart de pointage élevé).

Le problème de régression est plus simple que le problème de classification, car la MAE pénalise moins le modèle pour une défaite due au hasard. Par exemple, si score_diff vaut -1 et won vaut 0, cela signifie que team_1 a eu un peu de malchance et a perdu par un seul lancer franc. Les données du problème plus facile aident le modèle à trouver une solution au problème plus difficile.

Cette activité fait partie du cours

Machine Learning avancé avec Keras

Instructions de l’exercice

Importez Adam depuis keras.optimizers.
Compilez le modèle avec 2 pertes : 'mean_absolute_error' et 'binary_crossentropy', et utilisez l'optimiseur Adam avec un taux d'apprentissage de 0,01.
Entraînez le modèle avec les colonnes 'seed_diff' et 'pred' comme entrées et les colonnes 'score_diff' et 'won' comme cibles.
Utilisez 10 époques et une taille de lot de 16384.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)

Modifier et exécuter le code

Cette activité fait partie du cours

Machine Learning avancé avec Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous vous familiariserez avec les bases de l'API fonctionnelle de Keras. Vous construirez un simple réseau fonctionnel à l'aide de blocs de construction fonctionnels, l'ajusterez aux données et produirez des prédictions.

Exercise 1: Couches d'entrée et denses dans Keras Exercise 2: Couches d'entrée Exercise 3: Couches denses Exercise 4: Couches de sortie Exercise 5: Créer et compiler un modèle Exercise 6: Construire un modèle Exercise 7: Compiler un modèle Exercise 8: Visualiser un modèle Exercise 9: Ajuster et évaluer un modèle Exercise 10: Entraîner le modèle sur les données de basketball du tournoi Exercise 11: Évaluer le modèle sur un ensemble de test

Dans ce chapitre, vous créerez des réseaux à deux entrées qui exploitent des plongements catégoriels pour représenter des données à forte cardinalité, des couches partagées pour définir des blocs réutilisables, et des couches de fusion pour réunir plusieurs entrées en une seule sortie. À la fin du chapitre, vous aurez les bases nécessaires pour concevoir des réseaux neuronaux avec des flux de données complexes.

Exercise 1: Plongements de catégories Exercise 2: Définir la recherche d'équipe Exercise 3: Définir le modèle d'équipe Exercise 4: Couches partagées Exercise 5: Définir deux entrées Exercise 6: Rechercher les deux entrées dans le même modèle Exercise 7: Couches de fusion Exercise 8: Couche de sortie à l'aide d'une couche partagée Exercise 9: Modèle avec deux entrées et une sortie Exercise 10: Prédire à partir de votre modèle Exercise 11: Ajuster le modèle aux données d'entraînement de la saison régulière Exercise 12: Évaluer le modèle sur les données de test du tournoi

Dans ce chapitre, vous étendrez votre modèle à 2 entrées vers 3 entrées et apprendrez à utiliser les fonctions summary et plot de Keras pour comprendre les paramètres et la topologie de vos réseaux neuronaux. À la fin du chapitre, vous saurez comment passer d'un modèle à 2 entrées à un modèle à 3 entrées et au-delà.

Exercise 1: Modèles à trois entrées Exercise 2: Créer une couche d'entrée pour domicile vs visiteur Exercise 3: Créer et compiler un modèle Exercise 4: Entraîner le modèle et l'évaluer Exercise 5: Résumer et tracer des modèles Exercise 6: Résumés de modèle Exercise 7: Tracer des modèles Exercise 8: Empiler des modèles Exercise 9: Ajouter les prédictions du modèle aux données du tournoi Exercise 10: Créer une couche d'entrée avec plusieurs colonnes Exercise 11: Ajuster le modèle Exercise 12: Évaluer le modèle

Dans ce chapitre, vous construirez des réseaux neuronaux avec plusieurs sorties, qui peuvent servir à résoudre des problèmes de régression à cibles multiples. Vous bâtirez aussi un modèle qui résout simultanément un problème de régression et un problème de classification.

Exercise 1: Modèles à deux sorties Exercise 2: Modèle simple à deux sorties Exercise 3: Ajuster un modèle avec deux sorties Exercise 4: Examiner le modèle (I)Exercise 5: Évaluer le modèle Exercise 6: Modèle unique pour la classification et la régression Exercise 7: Classification et régression dans un seul modèle Exercise 8: Compiler et entraîner le modèle

Exercice en cours

Exercise 9: Inspecter le modèle (II)Exercise 10: Évaluer sur de nouvelles données avec deux mesures Exercise 11: Récapitulatif