Zacznij terazZacznij za darmo

Model binarnej klasyfikacji

Teraz, gdy wiesz już, jak wygląda zbiór danych Banknote Authentication, zbudujemy prosty model do odróżniania prawdziwych banknotów od fałszywych.

Wykonasz binarną klasyfikację, używając pojedynczego neuronu jako wyjścia. Warstwa wejściowa będzie miała 4 neurony, ponieważ w zbiorze danych mamy 4 cechy. Wyjście modelu to wartość z zakresu od 0 do 1.

Tę wartość będziemy interpretować jako prawdopodobieństwo, że dane wejściowe pochodzą z fałszywego banknotu – wartość 1 oznacza pełną pewność, że banknot jest fałszywy.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj model Sequential i warstwę Dense z tensorflow.keras.
  • Stwórz model sekwencyjny.
  • Dodaj warstwę wejściową z 4 neuronami, używając parametru input_shape, oraz warstwę wyjściową z 1 neuronem i aktywacją sigmoid.
  • Skompiluj model, używając sgd jako optymalizatora.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import the sequential model and dense layer
from tensorflow.keras.____ import ____
from tensorflow.keras.____ import ____

# Create a sequential model
model = ____

# Add a dense layer 
model.____(Dense(____, input_shape=(____,), activation=____))

# Compile your model
model.____(loss='binary_crossentropy', optimizer=____, metrics=['accuracy'])

# Display a summary of your model
model.summary()
Edytuj i uruchom kod