Laatste stappen in classificatiemodellen

Je gaat nu een classificatiemodel maken met de Titanic-gegevensset, die al is ingeladen in een DataFrame met de naam df. Je gebruikt informatie over de passagiers om te voorspellen wie er heeft overleefd.

De voorspellende variabelen staan in een NumPy-array predictors. Het doel dat je wilt voorspellen staat in df.survived, al moet je dit nog bewerken voor Keras. Het aantal voorspellende features staat in n_cols.

Hier gebruik je de optimizer 'sgd', wat staat voor Stochastic Gradient Descent. In het volgende hoofdstuk leer je hier meer over!

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning in Python

Cursus bekijken

Oefeninstructies

Zet df.survived om naar een categorische variabele met de functie to_categorical().
Specificeer een Sequential-model met de naam model.
Voeg een Dense-laag toe met 32 nodes. Gebruik 'relu' als activation en (n_cols,) als input_shape.
Voeg de Dense-outputlaag toe. Omdat er twee uitkomsten zijn, moet deze 2 units hebben, en omdat het een classificatiemodel is, moet de activation 'softmax' zijn.
Compileer het model met 'sgd' als optimizer, 'categorical_crossentropy' als verliesfunctie, en metrics=['accuracy'] om aan het einde van elk epoch de nauwkeurigheid te zien (welk deel van de voorspellingen correct was).
Train het model met predictors en de target.

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
from tensorflow.keras.utils import to_categorical

# Convert the target to categorical: target
target = ____

# Set up the model
model = ____

# Add the first layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Code bewerken en uitvoeren