Évaluer des modèles
Deux modèles ont été entraînés et sont disponibles : large_model, qui comporte de nombreux paramètres, et small_model, qui en comporte moins. Les deux modèles ont été entraînés avec train_features et train_labels, qui sont à votre disposition. Un jeu de test distinct, composé de test_features et test_labels, est également disponible.
Votre objectif est de comparer les performances relatives des modèles et de déterminer si l’un d’eux présente des signes de surapprentissage (overfitting). Pour cela, vous allez évaluer large_model et small_model à la fois sur l’ensemble d’entraînement et sur l’ensemble de test. Pour chaque modèle, utilisez la méthode .evaluate(x, y) afin de calculer la loss pour les features x et les labels y. Vous comparerez ensuite les quatre valeurs de loss obtenues.
Cet exercice fait partie du cours
Introduction à TensorFlow en Python
Instructions
- Évaluez le petit modèle avec les données d’entraînement.
- Évaluez le petit modèle avec les données de test.
- Évaluez le grand modèle avec les données d’entraînement.
- Évaluez le grand modèle avec les données de test.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Evaluate the small model using the train data
small_train = small_model.evaluate(____, ____)
# Evaluate the small model using the test data
small_test = ____
# Evaluate the large model using the train data
large_train = large_model.evaluate(____, ____)
# Evaluate the large model using the test data
large_test = ____
# Print losses
print('\n Small - Train: {}, Test: {}'.format(small_train, small_test))
print('Large - Train: {}, Test: {}'.format(large_train, large_test))