Compileer en train het model

Nu je een model met 2 uitgangen hebt, compileer je het met 2 verliesfuncties: mean absolute error (MAE) voor 'score_diff' en binary cross-entropy (ook wel logloss) voor 'won'. Train daarna het model met 'seed_diff' en 'pred' als invoer. Voor de uitgangen voorspel je 'score_diff' en 'won'.

Dit model kan de scores van de wedstrijden gebruiken om ervoor te zorgen dat spannende wedstrijden (klein scoreverschil) lagere winstkansen hebben dan afstraffingen (groot scoreverschil).

Het regressieprobleem is makkelijker dan het classificatieprobleem omdat MAE het model minder hard bestraft voor een verlies door toeval. Als bijvoorbeeld score_diff -1 is en won 0, betekent dat dat team_1 wat pech had en met één vrije worp verschil verloor. De data voor het makkelijke probleem helpt het model een oplossing te vinden voor het moeilijke probleem.

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Importeer Adam uit keras.optimizers.
Compileer het model met 2 verliezen: 'mean_absolute_error' en 'binary_crossentropy', en gebruik de Adam-optimizer met een learning rate van 0,01.
Train het model met de kolommen 'seed_diff' en 'pred' als invoer en de kolommen 'score_diff' en 'won' als doelen.
Gebruik 10 epochs en een batchgrootte van 16384.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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=____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

In this chapter, you'll become familiar with the basics of the Keras functional API. You'll build a simple functional network using functional building blocks, fit it to data, and make predictions.

Exercise 1: Keras input and dense layers Exercise 2: Input layers Exercise 3: Dense layers Exercise 4: Output layers Exercise 5: Build and compile a model Exercise 6: Build a model Exercise 7: Compile a model Exercise 8: Visualize a model Exercise 9: Fit and evaluate a model Exercise 10: Fit the model to the tournament basketball data Exercise 11: Evaluate the model on a test set

In this chapter, you will build two-input networks that use categorical embeddings to represent high-cardinality data, shared layers to specify re-usable building blocks, and merge layers to join multiple inputs to a single output. By the end of this chapter, you will have the foundational building blocks for designing neural networks with complex data flows.

Exercise 1: Category embeddings Exercise 2: Define team lookup Exercise 3: Define team model Exercise 4: Shared layers Exercise 5: Defining two inputs Exercise 6: Lookup both inputs in the same model Exercise 7: Merge layers Exercise 8: Output layer using shared layer Exercise 9: Model using two inputs and one output Exercise 10: Predict from your model Exercise 11: Fit the model to the regular season training data Exercise 12: Evaluate the model on the tournament test data

In this chapter, you will extend your 2-input model to 3 inputs, and learn how to use Keras' summary and plot functions to understand the parameters and topology of your neural networks. By the end of the chapter, you will understand how to extend a 2-input model to 3 inputs and beyond.

Exercise 1: Three-input models Exercise 2: Make an input layer for home vs. away Exercise 3: Make a model and compile it Exercise 4: Fit the model and evaluate Exercise 5: Summarizing and plotting models Exercise 6: Model summaries Exercise 7: Plotting models Exercise 8: Stacking models Exercise 9: Add the model predictions to the tournament data Exercise 10: Create an input layer with multiple columns Exercise 11: Fit the model Exercise 12: Evaluate the model

In this chapter, you will build neural networks with multiple outputs, which can be used to solve regression problems with multiple targets. You will also build a model that solves a regression problem and a classification problem simultaneously.

Exercise 1: Modellen met twee outputs Exercise 2: Eenvoudig model met twee Resultaten Exercise 3: Train een model met twee outputs Exercise 4: Inspecteer het model (I)Exercise 5: Evalueer het model Exercise 6: Eén model voor classificatie en regressie Exercise 7: Classificatie en regressie in één model Exercise 8: Compileer en train het model

Huidige oefening

Exercise 9: Inspecteer het model (II)Exercise 10: Evalueren op nieuwe data met twee metriekwaarden Exercise 11: Afsluiting