CommencezCommencez gratuitement

Entraîner avec plusieurs étiquettes

Une sortie de votre model multiétiquette pourrait ressembler à ceci : [0.76 , 0.99 , 0.66 ]. Si nous arrondissons les probabilités supérieures à 0.5, cette observation sera classée comme contenant les 3 étiquettes possibles [1,1,1]. Pour ce problème, cela signifierait qu'arroser les 3 parcelles de votre ferme est la bonne décision, selon le réseau, compte tenu des mesures des capteurs en entrée.

Vous allez maintenant entraîner et prédire avec le model que vous venez de construire. sensors_train, parcels_train, sensors_test et parcels_test sont déjà chargés et prêts à être utilisés.

Voyons à quel point votre machine intelligente s'en tire !

Cette activité fait partie du cours

Introduction à Deep Learning avec Keras

Voir le cours

Instructions de l’exercice

  • Entraînez le modèle pendant 100 epochs en utilisant un validation_split de 0.2.
  • Faites des prédictions avec votre model sur les données de test.
  • Arrondissez vos preds avec np.round().
  • Évaluez la justesse (accuracy) de votre modèle sur les données de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Modifier et exécuter le code