Valutare l'accuratezza del modello sul dataset di validazione

Ora tocca a te monitorare l'accuratezza del modello con un insieme di dati di validazione. Una definizione di modello è già fornita come model. Il tuo compito è aggiungere il codice per compilarlo e poi addestrarlo. Controllerai lo score di validazione a ogni epoca.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Compila il modello usando 'adam' come optimizer e 'categorical_crossentropy' come loss. Per vedere in ogni epoca quale frazione di previsioni è corretta (l'accuracy), specifica l'argomento aggiuntivo metrics=['accuracy'] in model.compile().
Addestra il modello usando predictors e target. Crea una suddivisione di validazione del 30% (ovvero 0.3). Questa verrà riportata a ogni epoca.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

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

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Modifica ed esegui il codice