Évaluer la précision du modèle sur l'ensemble de validation

À vous de suivre la précision du modèle avec un ensemble de validation. Une définition de modèle vous est fournie sous le nom model. Votre tâche est d'ajouter le code pour le compiler puis l'entraîner. Vous examinerez le score de validation à chaque époque.

Cet exercice fait partie du cours

Introduction au Deep Learning en Python

Afficher le cours

Instructions

Compilez votre modèle en utilisant 'adam' comme optimizer et 'categorical_crossentropy' pour la loss. Pour voir la part de prédictions correctes (la accuracy) à chaque époque, indiquez l’argument nommé supplémentaire metrics=['accuracy'] dans model.compile().
Entraînez le modèle en utilisant predictors et target. Créez une fraction de validation de 30 % (ou 0.3). Elle sera affichée à chaque époque.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Modifier et exécuter le code