Dernières étapes des modèles de classification

Vous allez maintenant créer un modèle de classification à l'aide du jeu de données Titanic, déjà chargé dans un DataFrame nommé df. Vous utiliserez des renseignements sur les passagers pour prédire lesquels ont survécu.

Les variables prédictives sont stockées dans un tableau NumPy predictors. La cible à prédire se trouve dans df.survived, mais vous devrez la transformer pour Keras. Le nombre de caractéristiques prédictives est stocké dans n_cols.

Ici, vous utiliserez l'optimiseur 'sgd', qui correspond à la méthode Stochastic Gradient Descent. Vous en apprendrez davantage à ce sujet dans le prochain chapitre!

Cette activité fait partie du cours

Introduction à Deep Learning en Python

Voir le cours

Instructions de l’exercice

Convertissez df.survived en variable catégorielle avec la fonction to_categorical().
Définissez un modèle Sequential nommé model.
Ajoutez une couche Dense avec 32 nœuds. Utilisez 'relu' comme activation et (n_cols,) comme input_shape.
Ajoutez la couche de sortie Dense. Comme il y a deux issues possibles, elle doit avoir 2 unités et, puisqu'il s'agit d'un modèle de classification, l'activation doit être 'softmax'.
Compilez le modèle en utilisant 'sgd' comme optimizer, 'categorical_crossentropy' comme fonction de perte, et metrics=['accuracy'] pour voir la précision (la fraction de prédictions correctes) à la fin de chaque époque.
Entraînez (fit) le modèle avec predictors et target.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical

# Convert the target to categorical: target
target = ____

# Set up the model
model = ____

# Add the first layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Modifier et exécuter le code