Classification et régression dans un seul modèle
Vous allez maintenant créer un autre type de modèle à deux sorties. Cette fois-ci, vous devrez prédire la différence de score, plutôt que les scores des deux équipes, puis prédire la probabilité que l'équipe 1 remporte le match. Il s'agit d'un modèle très intéressant : il va effectuer à la fois la classification et la régression.
Dans ce modèle, désactivez le biais ou l'interception pour chaque couche. Vos entrées (différence entre les graines et différence de score prévue) ont une moyenne très proche de zéro, et vos sorties ont toutes deux des moyennes proches de zéro. Par conséquent, votre modèle ne devrait pas avoir besoin du terme de biais pour bien s'ajuster aux données.
Cet exercice fait partie du cours
Deep learning avancé avec Keras
Instructions
- Créez une seule couche d'entrée avec deux colonnes.
- La première couche de sortie doit comporter une unité avec activation par
'linear'e et sans terme de biais. - La deuxième couche de sortie doit comporter une unité avec activation par
'sigmoid'e et sans terme de biais. Veuillez également utiliser la première couche de sortie comme entrée pour cette couche. - Veuillez créer un modèle avec ces entrées et ces sorties.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create an input layer with 2 columns
input_tensor = ____
# Create the first output
output_tensor_1 = ____(____, activation=____, use_bias=____)(____)
# Create the second output (use the first output as input here)
output_tensor_2 = ____(____, activation=____, use_bias=____)(____)
# Create a model with 2 outputs
model = ____(____, [____, ____])