Train het model op de toernooi-basketbaldata

Nu het model is gecompileerd, kun je het op data trainen!

In deze oefening gebruik je een gegevensset met scores van wedstrijden uit het US College Basketball-toernooi. Elke rij in de gegevensset bevat de team-id's: team_1 en team_2 als gehele getallen. Ook bevat het het verschil in seeding tussen de teams (seeds worden toegewezen door de toernooicommissie en geven aan hoe sterk de teams zijn) en het scoreverschil van de wedstrijd (bijv. als team_1 met 5 punten wint, is het scoreverschil 5).

Om het model te trainen, geef je een matrix met X-variabelen (in dit geval één kolom: het seed-verschil) en een matrix met Y-variabelen (in dit geval één kolom: het scoreverschil).

De DataFrame games_tourney en het gecompileerde model-object zijn beschikbaar in je workspace.

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Train het model met seed_diff als invoervariabele en score_diff als uitvoervariabele.
Gebruik 1 epoch, een batchgrootte van 128 en een validatiesplit van 10%.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Now fit the model
____(games_tourney_train[____], games_tourney_train[____],
          epochs=____,
          batch_size=____,
          validation_split=____,
          verbose=True)

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- en dense-lagen Exercise 2: Invoerlagen Exercise 3: Dense-lagen Exercise 4: Outputlagen Exercise 5: Een model bouwen en compileren Exercise 6: Bouw een model Exercise 7: Een model compileren Exercise 8: Visualiseer een model Exercise 9: Een model trainen en evalueren Exercise 10: Train het model op de toernooi-basketbaldata

Huidige oefening

Exercise 11: Evalueer het model op een testset

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: Two-output models Exercise 2: Simple two-output model Exercise 3: Fit a model with two outputs Exercise 4: Inspect the model (I)Exercise 5: Evaluate the model Exercise 6: Single model for classification and regression Exercise 7: Classification and regression in one model Exercise 8: Compile and fit the model Exercise 9: Inspect the model (II)Exercise 10: Evaluate on new data with two metrics Exercise 11: Wrap-up