CommencerCommencez gratuitement

Un modèle de classification binaire

Maintenant que vous connaissez la structure du jeu de données Banknote Authentication, nous allons construire un modèle simple pour distinguer les vrais billets des faux.

Vous allez réaliser une classification binaire en utilisant un seul neurone en sortie. La couche d’entrée comportera 4 neurones, car notre jeu de données contient 4 variables. La sortie du modèle sera une valeur contrainte entre 0 et 1.

Nous interpréterons ce nombre comme la probabilité que nos variables d’entrée proviennent d’un faux billet d’un dollar, une valeur de 1 signifiant que nous sommes certains qu’il s’agit d’un faux.

Cet exercice fait partie du cours

<cours>Introduction au Deep Learning avec Keras</cours>
Voir le cours

Instructions de l’exercice

  • Importez le modèle Sequential et la couche Dense depuis tensorflow.keras.
  • Créez un modèle séquentiel.
  • Ajoutez une couche d’entrée de 4 neurones avec le paramètre input_shape et une couche de sortie d’un neurone avec l’activation sigmoid.
  • Compilez votre modèle en utilisant sgd comme optimiseur.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import the sequential model and dense layer
from tensorflow.keras.____ import ____
from tensorflow.keras.____ import ____

# Create a sequential model
model = ____

# Add a dense layer 
model.____(Dense(____, input_shape=(____,), activation=____))

# Compile your model
model.____(loss='binary_crossentropy', optimizer=____, metrics=['accuracy'])

# Display a summary of your model
model.summary()
Modifier et exécuter le code