Mulai sekarangMulai gratis

Kompilasi dan latih model

Sekarang Anda memiliki model dengan 2 keluaran, kompilasilah dengan 2 fungsi loss: mean absolute error (MAE) untuk 'score_diff' dan binary cross-entropy (juga dikenal sebagai logloss) untuk 'won'. Lalu latih model dengan 'seed_diff' dan 'pred' sebagai masukan. Untuk keluaran, prediksikan 'score_diff' dan 'won'.

Model ini dapat menggunakan skor pertandingan untuk memastikan bahwa pertandingan yang ketat (selisih skor kecil) memiliki probabilitas menang yang lebih rendah dibanding kemenangan telak (selisih skor besar).

Masalah regresi lebih mudah daripada masalah klasifikasi karena MAE menghukum model lebih ringan untuk kekalahan akibat faktor acak. Sebagai contoh, jika score_diff adalah -1 dan won adalah 0, itu berarti team_1 kurang beruntung dan kalah hanya dengan satu free throw. Data untuk masalah yang lebih mudah membantu model menemukan solusi untuk masalah yang lebih sulit.

Latihan ini merupakan bagian dari kursus

Deep Learning Tingkat Lanjut dengan Keras

Lihat Kursus

Instruksi latihan

  • Impor Adam dari keras.optimizers.
  • Kompilasi model dengan 2 loss: 'mean_absolute_error' dan 'binary_crossentropy', dan gunakan pengoptimal Adam dengan laju pembelajaran 0.01.
  • Latih model dengan kolom 'seed_diff' dan 'pred' sebagai masukan dan kolom 'score_diff' dan 'won' sebagai target.
  • Gunakan 10 epoch dan ukuran batch 16384.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import the Adam optimizer
____

# Compile the model with 2 losses and the Adam optimzer with a higher learning rate
model.____(loss=['____', '____'], optimizer=____)

# Fit the model to the tournament training data, with 2 inputs and 2 outputs
model.____(games_tourney_train[['____', '____']],
          [games_tourney_train[['____']], games_tourney_train[['____']]],
          epochs=____,
          verbose=True,
          batch_size=____)
Edit dan Jalankan Kode