Compila e addestra il modello

Ora che hai un modello con 2 output, compilalo con 2 funzioni di perdita: mean absolute error (MAE) per 'score_diff' e binary cross-entropy (nota anche come logloss) per 'won'. Quindi addestra il modello usando 'seed_diff' e 'pred' come input. Come output, prevedi 'score_diff' e 'won'.

Questo modello può usare i punteggi delle partite per assicurarsi che le partite equilibrate (piccola differenza di punteggio) abbiano probabilità di vittoria più basse rispetto alle vittorie schiaccianti (grande differenza di punteggio).

Il problema di regressione è più semplice di quello di classificazione perché la MAE penalizza meno il modello per una sconfitta dovuta al caso. Per esempio, se score_diff è -1 e won è 0, significa che team_1 ha avuto un po’ di sfortuna e ha perso per un singolo tiro libero. I dati del problema più facile aiutano il modello a trovare una soluzione al problema più difficile.

Questo esercizio fa parte del corso

Deep Learning avanzato con Keras

Visualizza corso

Istruzioni dell'esercizio

Importa Adam da keras.optimizers.
Compila il modello con 2 perdite: 'mean_absolute_error' e 'binary_crossentropy', e usa l'ottimizzatore Adam con un learning rate di 0.01.
Addestra il modello usando le colonne 'seed_diff' e 'pred' come input e le colonne 'score_diff' e 'won' come target.
Usa 10 epoche e una dimensione del batch di 16384.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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=____)

Modifica ed esegui il codice