Membangun dan melatih neural net sederhana
Model berikutnya yang akan kita pelajari adalah neural network. Neural net dapat menangkap interaksi kompleks antar variabel, tetapi sulit disusun dan dipahami. Belakangan ini, model tersebut mengungguli pakar manusia di banyak bidang, termasuk pengenalan gambar dan gim (lihat AlphaGo) — sehingga berpotensi berkinerja sangat baik.
Untuk membangun jaringan kita, kita akan menggunakan pustaka keras. Ini adalah API tingkat tinggi yang memungkinkan kita membuat neural net dengan cepat, namun tetap memberikan banyak kendali atas desainnya. Hal pertama yang akan kita lakukan adalah membuat jaringan yang hampir paling sederhana — jaringan 3 layer yang mengambil masukan kita dan memprediksi satu nilai. Mirip dengan model sklearn, model keras memiliki metode .fit() yang menerima argumen (features, targets).
Latihan ini merupakan bagian dari kursus
Machine Learning untuk Keuangan dengan Python
Instruksi latihan
- Buat layer dense dengan 20 node dan aktivasi ReLU (
'relu') sebagai layer ke-2 dalam neural network. - Buat layer dense terakhir dengan 1 node dan aktivasi linear (
activation='linear'). - Latih model pada
scaled_train_featuresdantrain_targets.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
from keras.models import Sequential
from keras.layers import Dense
# Create the model
model_1 = Sequential()
model_1.add(Dense(100, input_dim=scaled_train_features.shape[1], activation='relu'))
model_1.add(Dense(____, activation=____))
model_1.add(Dense(____, activation=____))
# Fit the model
model_1.compile(optimizer='adam', loss='mse')
history = model_1.fit(____, ____, epochs=25)