Compiler et ajuster le modèle

Maintenant que vous disposez d'un modèle avec deux sorties, compilez-le avec deux fonctions de perte : l'erreur absolue moyenne (MAE) pour l''score_diff' et l'entropie croisée binaire (également appelée logloss) pour l''won'. Ensuite, ajustez le modèle avec les données d'entraînement « 'seed_diff' » et « 'pred' » comme entrées. Pour les résultats, veuillez prévoir 'score_diff' et 'won'.

Ce modèle peut utiliser les scores des matchs pour s'assurer que les matchs serrés (faible écart de score) ont des probabilités de victoire plus faibles que les matchs à sens unique (écart de score important).

Le problème de régression est plus simple que celui de classification, car la MAE pénalise moins le modèle pour une perte due au hasard. Par exemple, si score_diff est égal à -1 et won est égal à 0, cela signifie que team_1 a eu un peu de malchance et a perdu d'un seul lancer franc. Les données relatives au problème facile aident le modèle à trouver une solution au problème difficile.

Cet exercice fait partie du cours

Deep learning avancé avec Keras

Afficher le cours

Instructions

Importez Adam à partir de keras.optimizers.
Compilez le modèle avec deux pertes : 'mean_absolute_error' et 'binary_crossentropy', et utilisez l'optimiseur Adam avec un taux d'apprentissage de 0,01.
Ajustez le modèle avec les colonnes « 'seed_diff' » et « 'pred' » comme entrées et les colonnes « 'score_diff' » et « 'won' » comme cibles.
Veuillez utiliser 10 époques et une taille de lot de 16384.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)

Modifier et exécuter le code

Cet exercice fait partie du cours

Deep learning avancé avec Keras

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous vous familiariserez avec les bases de l'API fonctionnelle Keras. Vous allez construire un réseau fonctionnel simple à l'aide de blocs fonctionnels, l'adapter aux données et faire des prédictions.

Exercise 1: Entrées Keras et couches denses Exercise 2: Couches d'entrée Exercise 3: Couches denses Exercise 4: Couches de sortie Exercise 5: Construire et compiler un modèle Exercise 6: Construire un modèle Exercise 7: Élaborer un modèle Exercise 8: Visualiser un modèle Exercise 9: Ajuster et évaluer un modèle Exercise 10: Ajustez le modèle aux données du tournoi de basket-ball.Exercise 11: Évaluer le modèle sur un ensemble de test

Dans ce chapitre, vous allez construire des réseaux à deux entrées qui utilisent des encodages catégoriels pour représenter des données à cardinalité élevée, des couches partagées pour spécifier des blocs de construction réutilisables et des couches de fusion pour joindre plusieurs entrées à une seule sortie. À la fin de ce chapitre, vous disposerez des bases nécessaires pour concevoir des réseaux neuronaux avec des flux de données complexes.

Exercise 1: Intégrations de catégories Exercise 2: Définir la recherche d'équipe Exercise 3: Définir le modèle d'équipe Exercise 4: Couches partagées Exercise 5: Définition de deux entrées Exercise 6: Recherchez les deux entrées dans le même modèle.Exercise 7: Fusionner les couches Exercise 8: Couche de sortie utilisant une couche partagée Exercise 9: Modèle utilisant deux entrées et une sortie Exercise 10: Prédisez à partir de votre modèle Exercise 11: Ajustez le modèle aux données d'entraînement de la saison régulière.Exercise 12: Évaluer le modèle sur les données de test du tournoi.

Dans ce chapitre, vous allez étendre votre modèle à 2 entrées à 3 entrées, et apprendre à utiliser les fonctions summary et plot de Keras pour comprendre les paramètres et la topologie de vos réseaux neuronaux. À la fin de ce chapitre, vous saurez comment étendre un modèle à deux entrées à trois entrées et plus.

Exercise 1: Modèles à trois entrées Exercise 2: Créez une couche d'entrée pour domicile et extérieur.Exercise 3: Créez un modèle et compilez-le.Exercise 4: Ajustez le modèle et évaluez-le.Exercise 5: Résumé et représentation graphique des modèles Exercise 6: Résumés des modèles Exercise 7: Modèles graphiques Exercise 8: Modèles empilables Exercise 9: Ajoutez les prédictions du modèle aux données du tournoi.Exercise 10: Créer une couche d'entrée avec plusieurs colonnes Exercise 11: Ajuster le modèle Exercise 12: Évaluer le modèle

Dans ce chapitre, vous allez créer des réseaux neuronaux à sorties multiples, qui peuvent être utilisés pour résoudre des problèmes de régression avec plusieurs cibles. Vous allez également construire un modèle qui résout simultanément un problème de régression et un problème de classification.

Exercise 1: Modèles à deux sorties Exercise 2: Modèle simple à deux sorties Exercise 3: Ajustez un modèle avec deux sorties.Exercise 4: Veuillez inspecter le modèle (I)Exercise 5: Évaluer le modèle Exercise 6: Modèle unique pour la classification et la régression Exercise 7: Classification et régression dans un seul modèle Exercise 8: Compiler et ajuster le modèle

Exercice en cours

Exercise 9: Veuillez inspecter le modèle (II)Exercise 10: Évaluer les nouvelles données à l'aide de deux indicateurs Exercise 11: Conclusion