Definire un modello

Ora lavorerai con il tuo primo modello in Keras e potrai subito eseguire reti neurali più complesse su insiemi di dati più grandi rispetto ai primi due capitoli.

Per iniziare, prenderai lo scheletro di una rete neurale e aggiungerai un livello nascosto e un livello di output. Poi effettuerai il fit del modello e vedrai Keras occuparsi dell’ottimizzazione, così il tuo modello migliorerà progressivamente.

Come primo passo, prevederai il salario orario dei lavoratori in base a caratteristiche come settore, istruzione e livello di esperienza. Troverai l’insieme di dati in un DataFrame di pandas chiamato df. Per comodità, tutto in df tranne il target è stato convertito in un array NumPy chiamato predictors. Il target, wage_per_hour, è disponibile come array NumPy chiamato target.

Per tutti gli esercizi di questo capitolo, abbiamo importato il costruttore del modello Sequential, il costruttore del livello Dense e pandas.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Memorizza il numero di colonne dei dati predictors in n_cols. Questo è già stato fatto per te.
Inizia creando un modello Sequential chiamato model.
Usa il metodo .add() su model per aggiungere un livello Dense.
- Aggiungi 50 unità, specifica activation='relu' e imposta il parametro input_shape come la tupla (n_cols,), che significa che ogni riga di dati ha n_cols elementi e si accetta un qualsiasi numero di righe in input.
Aggiungi un altro livello Dense. Dovrebbe avere 32 unità e attivazione 'relu'.
Infine, aggiungi un livello di output, che è un livello Dense con un singolo nodo. Qui non usare alcuna funzione di attivazione.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Modifica ed esegui il codice