Ostatnie kroki w modelach klasyfikacji

Teraz zbudujesz model klasyfikacji na podstawie zbioru danych Titanic, który został wcześniej wczytany do ramki danych df. Wykorzystasz informacje o pasażerach, aby przewidzieć, którzy z nich przeżyli.

Zmienne predykcyjne są przechowywane w tablicy NumPy predictors. Zmienna docelowa to df.survived – trzeba ją jednak odpowiednio przetworzyć dla Keras. Liczba cech predykcyjnych jest zapisana w zmiennej n_cols.

W tym ćwiczeniu użyjesz optymalizatora 'sgd', który oznacza stochastyczny spadek gradientu. Więcej na ten temat dowiesz się w kolejnym rozdziale!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Przekształć df.survived na zmienną kategoryczną za pomocą funkcji to_categorical().
Zdefiniuj model Sequential i przypisz go do zmiennej model.
Dodaj warstwę Dense z 32 węzłami. Jako activation podaj 'relu', a jako input_shape użyj (n_cols,).
Dodaj wyjściową warstwę Dense. Ponieważ są dwa możliwe wyniki, powinna mieć 2 jednostki, a jako activation – zgodnie z wymaganiami modelu klasyfikacji – podaj 'softmax'.
Skompiluj model, używając 'sgd' jako optimizer, 'categorical_crossentropy' jako funkcji straty oraz metrics=['accuracy'], aby śledzić dokładność (czyli jaki odsetek prognoz był poprawny) na końcu każdej epoki.
Dopasuj model, korzystając ze zmiennych predictors i target.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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
____

Edytuj i uruchom kod