Dernières étapes des modèles de classification
Vous allez maintenant créer un modèle de classification à l'aide de l'ensemble de données titanic, qui a été préchargé dans un DataFrame appelé df. Vous recueillerez des informations sur les passagers et prédirez lesquels ont survécu.
Les variables prédictives sont stockées dans un tableau NumPy predictors. La cible à prédire se trouve dans df.survived, mais vous devrez la manipuler pour Keras. Le nombre de caractéristiques prédictives est enregistré dans l'n_cols.
Ici, vous utiliserez l'optimiseur « 'sgd' », qui signifie « descente stochastique du gradient ». Vous en apprendrez davantage à ce sujet dans le chapitre suivant.
Cet exercice fait partie du cours
Introduction au Deep Learning avec Python
Instructions
- Convertissez l'
df.surviveden une variable catégorielle à l'aide de la fonctionto_categorical(). - Veuillez spécifier un modèle d'
Sequentialappelé «model». - Ajoutez une couche d'
Denses avec des nœuds d'32. Veuillez utiliser'relu'comme adresseactivationet(n_cols,)comme adresseinput_shape. - Ajoutez la couche de sortie «
Dense». Comme il existe deux résultats possibles, il devrait y avoir deux unités, et comme il s'agit d'un modèle de classification, l'activationdevrait être «'softmax'». - Compilez le modèle en utilisant
'sgd'commeoptimizer,'categorical_crossentropy'comme fonction de perte etmetrics=['accuracy']pour voir la précision (quelle fraction des prédictions était correcte) à la fin de chaque époque. - Ajustez le modèle à l'aide de l'
predictorset de l'target.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical
# Convert the target to categorical: target
target = ____
# Set up the model
model = ____
# Add the first layer
____
# Add the output layer
____
# Compile the model
____
# Fit the model
____