Évaluer la justesse du modèle sur l'ensemble de validation

À vous de surveiller la justesse du modèle avec un ensemble de validation. Une définition de modèle est fournie sous le nom model. Votre tâche consiste à ajouter le code pour le compiler, puis l'ajuster. Vous examinerez la valeur de validation à chaque époque.

Cette activité fait partie du cours

Introduction à Deep Learning en Python

Voir le cours

Instructions de l’exercice

Compilez votre modèle en utilisant 'adam' comme optimizer et 'categorical_crossentropy' pour la loss. Pour voir la proportion de prédictions correctes (l'accuracy) à chaque époque, ajoutez l'argument nommé metrics=['accuracy'] dans model.compile().
Ajustez le modèle en utilisant predictors et target. Créez une répartition de validation de 30 % (ou 0.3). Elle sera affichée à chaque époque.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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 = ____

Modifier et exécuter le code