शुरू करेंमुफ़्त में शुरू करें

मल्टी-लेबल के साथ प्रशिक्षण

आपके मल्टी-लेबल model का एक आउटपुट कुछ इस तरह हो सकता है: [0.76 , 0.99 , 0.66 ]. अगर हम 0.5 से बड़ी probabilities को राउंड करें, तो यह ऑब्ज़र्वेशन सभी 3 संभावित लेबल्स [1,1,1] के रूप में क्लासिफ़ाई होगा. इस खास समस्या में, इसका मतलब होगा कि इनपुट सेंसर मापों के आधार पर नेटवर्क के अनुसार आपकी फ़ार्म की सभी 3 पार्सल्स को पानी देना सही कदम है.

अब आप अभी बनाए गए model से ट्रेनिंग और प्रेडिक्ट करेंगे. sensors_train, parcels_train, sensors_test और parcels_test आपके लिए पहले से लोड हैं.

आइए देखें आपकी इंटेलिजेंट मशीन कितना अच्छा प्रदर्शन करती है!

यह अभ्यास पाठ्यक्रम का हिस्सा है

Keras के साथ डीप लर्निंग परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • 100 epochs के लिए validation_split 0.2 के साथ मॉडल ट्रेन करें.
  • टेस्ट डेटा का उपयोग करके अपने model से प्रेडिक्ट करें.
  • np.round() से अपने preds को राउंड करें.
  • टेस्ट डेटा पर अपने मॉडल की accuracy का मूल्यांकन करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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)
कोड संपादित करें और चलाएँ