Inizia subitoInizia gratis

Preparare un modello per il tuning

Ottimizziamo gli iperparametri di un modello di classificazione binaria che ottiene buoni risultati sul breast cancer dataset.

Hai visto che il primo passo per trasformare un modello in uno stimatore di sklearn è creare una funzione che lo costruisce. La definizione di questa funzione è importante perché il tuning degli iperparametri viene eseguito variando gli argomenti che la tua funzione riceve.

Crea una semplice funzione create_model() che riceva come argomenti sia il learning rate sia una funzione di attivazione. L'ottimizzatore Adam è stato importato come oggetto da tensorflow.keras.optimizers, così puoi anche modificarne il parametro di learning rate.

Questo esercizio fa parte del corso

Introduzione al Deep Learning con Keras

Visualizza corso

Istruzioni dell'esercizio

  • Imposta il learning rate dell'oggetto ottimizzatore Adam a quello passato negli argomenti.
  • Imposta le attivazioni dei livelli nascosti a quella passata negli argomenti.
  • Passa l'ottimizzatore e la loss binary cross-entropy al metodo .compile().

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Creates a model given an activation and learning rate
def create_model(learning_rate, activation):
  
  	# Create an Adam optimizer with the given learning rate
  	opt = Adam(lr = ____)
  	
  	# Create your binary classification model  
  	model = Sequential()
  	model.add(Dense(128, input_shape = (30,), activation = ____))
  	model.add(Dense(256, activation = ____))
  	model.add(Dense(1, activation = 'sigmoid'))
  	
  	# Compile your model with your optimizer, loss, and metrics
  	model.compile(optimizer = ____, loss = ____, metrics = ['accuracy'])
  	return model
Modifica ed esegui il codice