Évaluation de la précision du modèle sur l'ensemble de données de validation

C'est maintenant à vous de contrôler la précision du modèle à l'aide d'un ensemble de données de validation. Une définition du modèle est disponible à l'adresse model. Votre tâche consiste à ajouter le code pour le compiler, puis à l'intégrer. Vous vérifierez le score de validation à chaque époque.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Compilez votre modèle en utilisant 'adam' comme optimizer et 'categorical_crossentropy' comme loss. Pour connaître la proportion de prédictions correctes ( accuracy) à chaque époque, veuillez spécifier l'argument clé supplémentaire « metrics=['accuracy'] » dans « model.compile() ».
Ajustez le modèle à l'aide des fichiers predictors et target. Créez une division de validation de 30 % (ou 0.3). Ceci sera signalé 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