Zacznij terazZacznij za darmo

Skompiluj i dopasuj model

Masz już model z 2 wyjściami – teraz go skompiluj, używając 2 funkcji straty: błędu średniego bezwzględnego (MAE) dla 'score_diff' oraz entropii krzyżowej (zwanej też logloss) dla 'won'. Następnie dopasuj model, podając 'seed_diff' i 'pred' jako dane wejściowe. Na wyjściu model powinien przewidywać 'score_diff' i 'won'.

Model może wykorzystywać wyniki meczów, aby upewnić się, że wyrównane spotkania (mała różnica punktów) mają niższe prawdopodobieństwo wygranej niż mecze rozstrzygnięte z dużą przewagą.

Problem regresji jest łatwiejszy niż problem klasyfikacji, ponieważ MAE mniej karze model za stratę spowodowaną przypadkiem. Na przykład, jeśli score_diff wynosi -1, a won wynosi 0, oznacza to, że team_1 miał pecha i przegrał o jeden rzut wolny. Dane z łatwiejszego problemu pomagają modelowi znaleźć rozwiązanie trudniejszego.

To ćwiczenie jest częścią kursu

Zaawansowane uczenie głębokie z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj Adam z keras.optimizers.
  • Skompiluj model z 2 funkcjami straty: 'mean_absolute_error' i 'binary_crossentropy', używając optymalizatora Adam ze współczynnikiem uczenia 0.01.
  • Dopasuj model, podając kolumny 'seed_diff' i 'pred' jako dane wejściowe oraz kolumny 'score_diff' i 'won' jako docelowe.
  • Użyj 10 epok i rozmiaru wsadu 16384.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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=____)
Edytuj i uruchom kod