Dernières étapes des modèles de classification

Vous allez maintenant créer un modèle de classification à l’aide du jeu de données Titanic, déjà chargé dans un DataFrame nommé df. Vous utiliserez des informations sur les passagers pour prédire 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 transformer pour Keras. Le nombre de caractéristiques prédictives est stocké dans n_cols.

Ici, vous utiliserez l’optimiseur 'sgd', qui signifie Stochastic Gradient Descent. Vous en apprendrez davantage à ce sujet dans le prochain chapitre !

Cet exercice fait partie du cours

Introduction au Deep Learning en Python

Afficher le cours

Instructions

Convertissez df.survived en variable catégorielle à l’aide de la fonction to_categorical().
Spécifiez un modèle Sequential appelé model.
Ajoutez une couche Dense avec 32 nœuds. Utilisez 'relu' comme activation et (n_cols,) comme input_shape.
Ajoutez la couche de sortie Dense. Comme il existe deux issues possibles, elle doit avoir 2 unités, et comme il s’agit d’un modèle de classification, l’activation doit être 'softmax'.
Compilez le modèle en utilisant 'sgd' comme optimizer, 'categorical_crossentropy' comme fonction de perte, et metrics=['accuracy'] pour afficher l’exactitude (la proportion de prédictions correctes) à la fin de chaque époque.
Entraînez le modèle en utilisant predictors et 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
____

Modifier et exécuter le code