Inspekcja modelu (II)

Teraz przyjrzyj się wagom tego modelu. Zwróć szczególną uwagę na ostatnią wagę – przekształca ona przewidywaną różnicę punktów na przewidywane prawdopodobieństwo wygranej. Jeśli pomnożysz przewidywaną różnicę punktów przez ostatnią wagę modelu, a następnie zastosujesz funkcję sigmoid, otrzymasz prawdopodobieństwo wygranej w danym meczu.

To ćwiczenie jest częścią kursu

Zaawansowane uczenie głębokie z Keras

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print the model weights
print(____)

# Print the training data means
print(____)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Zaawansowane uczenie głębokie z Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

W tym rozdziale zapoznasz się z podstawami funkcjonalnego API Keras. Zbudujesz prostą sieć funkcjonalną, korzystając z funkcjonalnych bloków konstrukcyjnych, dostosujesz ją do danych i wykonasz predykcje.

Exercise 1: Warstwy wejściowe i gęste w Keras Exercise 2: Warstwy wejściowe Exercise 3: Warstwy gęste Exercise 4: Warstwy wyjściowe Exercise 5: Budowanie i kompilowanie modelu Exercise 6: Zbuduj model Exercise 7: Kompilacja modelu Exercise 8: Wizualizacja modelu Exercise 9: Dopasowanie i ocena modelu Exercise 10: Dopasuj model do danych z turnieju koszykówki Exercise 11: Oceń model na zbiorze testowym

W tym rozdziale zbudujesz sieci dwuwejściowe, które wykorzystują osadzenia kategorii do reprezentowania danych o wysokiej kardynalności, warstwy współdzielone do definiowania bloków wielokrotnego użytku oraz warstwy scalające do łączenia wielu wejść w jedno wyjście. Pod koniec rozdziału będziesz dysponować podstawowymi blokami konstrukcyjnymi do projektowania sieci neuronowych o złożonym przepływie danych.

Exercise 1: Osadzenia kategoryczne Exercise 2: Definiowanie tabeli przeglądowej drużyn Exercise 3: Definiowanie modelu drużyny Exercise 4: Wspólne warstwy Exercise 5: Definiowanie dwóch wejść Exercise 6: Wyszukaj oba wejścia w tym samym modelu Exercise 7: Warstwy scalające Exercise 8: Warstwa wyjściowa z użyciem współdzielonej warstwy Exercise 9: Model z dwoma wejściami i jednym wyjściem Exercise 10: Przewidywanie z użyciem modelu Exercise 11: Dopasowanie modelu do danych treningowych z sezonu zasadniczego Exercise 12: Oceń model na danych testowych z turnieju

W tym rozdziale rozszerzysz model dwuwejściowy do trzech wejść i nauczysz się korzystać z funkcji podsumowania i wizualizacji w Keras, aby lepiej zrozumieć parametry i topologię sieci neuronowych. Pod koniec rozdziału będziesz wiedzieć, jak rozbudować model dwuwejściowy do trzech wejść i więcej.

Exercise 1: Modele z trzema wejściami Exercise 2: Utwórz warstwę wejściową dla meczu u siebie i na wyjeździe Exercise 3: Stwórz i skompiluj model Exercise 4: Dopasowanie i ocena modelu Exercise 5: Podsumowywanie i wizualizacja modeli Exercise 6: Podsumowania modeli Exercise 7: Wizualizacja modeli Exercise 8: Łączenie modeli w stos Exercise 9: Dodawanie predykcji modelu do danych turniejowych Exercise 10: Tworzenie warstwy wejściowej z wieloma kolumnami Exercise 11: Dopasuj model Exercise 12: Ocena modelu

W tym rozdziale zbudujesz sieci neuronowe z wieloma wyjściami, które można wykorzystać do rozwiązywania problemów regresji z wieloma zmiennymi docelowymi. Zbudujesz też model, który jednocześnie rozwiązuje problem regresji i problem klasyfikacji.

Exercise 1: Modele z dwoma wyjściami Exercise 2: Prosty model z dwoma wyjściami Exercise 3: Dopasuj model z dwoma wyjściami Exercise 4: Analiza modelu (I)Exercise 5: Oceń model Exercise 6: Jeden model do klasyfikacji i regresji Exercise 7: Klasyfikacja i regresja w jednym modelu Exercise 8: Skompiluj i dopasuj model Exercise 9: Inspekcja modelu (II)

Bieżące ćwiczenie

Exercise 10: Ewaluacja na nowych danych z dwiema metrykami Exercise 11: Podsumowanie