Zacznij terazZacznij za darmo

Trenowanie z wieloma etykietami

Wynik twojego modelu wieloetykietowego (model) może wyglądać tak: [0.76 , 0.99 , 0.66 ]. Jeśli zaokrąglimy prawdopodobieństwa wyższe niż 0,5, ta obserwacja zostanie sklasyfikowana jako zawierająca wszystkie 3 możliwe etykiety [1,1,1]. W tym konkretnym problemie oznaczałoby to, że nawadnianie wszystkich 3 działek w gospodarstwie jest właściwą decyzją – przynajmniej zdaniem sieci, na podstawie odczytów z czujników.

Teraz wytrenuj model i dokonaj predykcji przy użyciu model, który właśnie zbudowałeś. sensors_train, parcels_train, sensors_test i parcels_test są już wczytane i gotowe do użycia.

Sprawdź, jak dobrze radzi sobie twoja inteligentna maszyna!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Wytrenuj model przez 100 epok (epochs), używając validation_split równego 0,2.
  • Dokonaj predykcji za pomocą model na danych testowych.
  • Zaokrąglij wyniki w preds za pomocą np.round().
  • Oceń dokładność modelu na danych testowych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Edytuj i uruchom kod