Ocena dokładności modelu na zbiorze walidacyjnym

Teraz twoja kolej, aby monitorować dokładność modelu przy użyciu zbioru walidacyjnego. Definicja modelu została dostarczona jako model. Twoim zadaniem jest dodanie kodu, który go skompiluje, a następnie dopasuje. W każdej epoce sprawdzisz wynik walidacji.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Skompiluj model, używając 'adam' jako optimizer i 'categorical_crossentropy' dla loss. Aby w każdej epoce widzieć, jaki odsetek predykcji jest poprawny (parametr accuracy), podaj dodatkowy argument metrics=['accuracy'] w wywołaniu model.compile().
Dopasuj model, korzystając z danych predictors i target. Ustaw podział walidacyjny na 30% (czyli 0.3). Wynik będzie raportowany po każdej epoce.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Edytuj i uruchom kod