CommencerCommencer gratuitement

Entraîner avec des étiquettes multiples

Une sortie de votre model multi-label pourrait ressembler à ceci : [0.76 , 0.99 , 0.66 ]. Si nous arrondissons les probabilités supérieures à 0,5, cette observation sera classée comme contenant les 3 étiquettes possibles [1,1,1]. Pour ce problème, cela signifierait qu’il faut arroser les 3 parcelles de votre ferme, d’après le réseau, étant donné les mesures des capteurs en entrée.

Vous allez maintenant entraîner et prédire avec le model que vous venez de construire. sensors_train, parcels_train, sensors_test et parcels_test sont déjà chargés et prêts à l’emploi.

Voyons comment se comporte votre machine intelligente !

Cet exercice fait partie du cours

Introduction au Deep Learning avec Keras

Afficher le cours

Instructions

  • Entraînez le modèle pendant 100 epochs avec un validation_split de 0.2.
  • Prédisez avec votre model en utilisant les données de test.
  • Arrondissez vos preds avec np.round().
  • Évaluez la précision de votre modèle sur les données de test.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Modifier et exécuter le code