Evalueer het model op een testset

Na het trainen van het model kun je het evalueren op nieuwe data. Je geeft het model een nieuwe X-matrix (ook wel testdata genoemd), laat het voorspellingen maken en vergelijkt die vervolgens met de bekende y-variabele (ook wel doeldata genoemd).

In dit geval gebruik je data uit het postseason-toernooi om je model te evalueren. De toernooiduels vinden plaats na de reguliere seizoenwedstrijden die je gebruikte om het model te trainen, en zijn daarom een goede test van hoe goed je model out-of-sample presteert.

De DataFrame games_tourney_test en het getrainde model-object zijn beschikbaar in je werkruimte.

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Wijs de testdata (kolom seed_diff) toe aan X_test.
Wijs de doeldata (kolom score_diff) toe aan y_test.
Evalueer het model op X_test en y_test.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Load the X variable from the test data
X_test = ____

# Load the y variable from the test data
y_test = ____

# Evaluate the model on the test data
print(model.____(____, ____, verbose=False))

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 Exercise 11: Evalueer het model op een testset

Huidige oefening

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