Classificatie en regressie in één model
Nu maak je een ander soort model met 2 uitgangen. Deze keer voorspel je het verschil in score in plaats van de scores van beide teams, en daarna voorspel je de kans dat team 1 de wedstrijd heeft gewonnen. Dit is een behoorlijk gaaf model: het gaat zowel classificatie als regressie doen!
Zet in dit model de bias, of intercept, voor elke laag uit. Je inputs (verschil in seeding en voorspeld scoreverschil) hebben een gemiddelde dat heel dicht bij nul ligt, en je outputs hebben ook gemiddelden die dicht bij nul liggen, dus je model zou de bias-term niet nodig moeten hebben om de data goed te modelleren.
Deze oefening maakt deel uit van de cursus
Advanced Deep Learning met Keras
Oefeninstructies
- Maak één inputlaag met 2 kolommen.
- De eerste outputlaag moet 1 unit hebben met
'linear'activatie en geen bias-term. - De tweede outputlaag moet 1 unit hebben met
'sigmoid'activatie en geen bias-term. Gebruik bovendien de eerste outputlaag als input voor deze laag. - Maak een model met deze input en outputs.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Create an input layer with 2 columns
input_tensor = ____
# Create the first output
output_tensor_1 = ____(____, activation=____, use_bias=____)(____)
# Create the second output (use the first output as input here)
output_tensor_2 = ____(____, activation=____, use_bias=____)(____)
# Create a model with 2 outputs
model = ____(____, [____, ____])