Créer et ajuster un réseau de neurones simple
Le prochain modèle que nous allons apprendre à utiliser est un réseau de neurones. Les réseaux de neurones peuvent saisir des interactions complexes entre les variables, mais ils sont plus difficiles à configurer et à comprendre. Récemment, ils ont dépassé des spécialistes humains dans de nombreux domaines, dont la reconnaissance d'images et les jeux (jetez un œil à AlphaGo) — leur potentiel de performance est donc très élevé.
Pour construire nos réseaux, nous utiliserons la bibliothèque keras. Il s'agit d'une API de haut niveau qui nous permet de créer rapidement des réseaux de neurones, tout en gardant un bon contrôle sur la conception. La première chose que nous ferons est de créer un réseau presque minimal — un réseau à 3 couches qui prend nos variables d'entrée et prédit une seule valeur. Tout comme les modèles sklearn, les modèles keras ont une méthode .fit() qui prend en arguments (features, targets).
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Instructions de l’exercice
- Créez une couche dense avec 20 nœuds et l'activation ReLU (
'relu') comme 2e couche du réseau de neurones. - Créez la dernière couche dense avec 1 nœud et une activation linéaire (
activation='linear'). - Ajustez le modèle sur
scaled_train_featuresettrain_targets.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
from keras.models import Sequential
from keras.layers import Dense
# Create the model
model_1 = Sequential()
model_1.add(Dense(100, input_dim=scaled_train_features.shape[1], activation='relu'))
model_1.add(Dense(____, activation=____))
model_1.add(Dense(____, activation=____))
# Fit the model
model_1.compile(optimizer='adam', loss='mse')
history = model_1.fit(____, ____, epochs=25)