Een model specificeren

Nu ga je aan de slag met je eerste model in Keras, en kun je meteen complexere neurale netwerken draaien op grotere datasets dan in de eerste twee hoofdstukken.

Je begint met het skelet van een neuraal netwerk en voegt een verborgen laag en een outputlaag toe. Vervolgens fit je dat model en laat je Keras de optimalisatie doen zodat je model steeds beter wordt.

Als begin ga je het uurloon van werknemers voorspellen op basis van kenmerken zoals hun sector, opleiding en ervaringsniveau. Je vindt de gegevensset in een pandas DataFrame met de naam df. Voor het gemak is alles in df, behalve de target, omgezet naar een NumPy-array met de naam predictors. De target, wage_per_hour, is beschikbaar als een NumPy-array met de naam target.

Voor alle oefeningen in dit hoofdstuk hebben we de Sequential-modelconstructor, de Dense-laagconstructor en pandas geïmporteerd.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning in Python

Cursus bekijken

Oefeninstructies

Sla het aantal kolommen in de predictors-data op in n_cols. Dit is al voor je gedaan.
Begin met het aanmaken van een Sequential-model met de naam model.
Gebruik de methode .add() op model om een Dense-laag toe te voegen.
- Voeg 50 units toe, specificeer activation='relu', en stel de parameter input_shape in op de tuple (n_cols,), wat betekent dat elke rij n_cols items bevat en dat elk aantal rijen als input is toegestaan.
Voeg nog een Dense-laag toe. Deze moet 32 units en een 'relu'-activatie hebben.
Voeg tot slot een outputlaag toe, dit is een Dense-laag met één node. Gebruik hier geen activatiefunctie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Code bewerken en uitvoeren