Problemy klasyfikacji wieloklasowej
W tym ćwiczeniu wykraczamy poza klasyfikację binarną i zajmujemy się problemami wieloklasowymi. W takim problemie wartości docelowe mogą przyjmować trzy lub więcej różnych wartości. W zbiorze danych dotyczącym kart kredytowych zmienna education może przyjąć 6 różnych wartości, z których każda odpowiada innemu poziomowi wykształcenia. Użyjemy jej jako wartości docelowej i jednocześnie rozszerzymy zestaw cech z 3 do 10 kolumn.
Podobnie jak w poprzednim zadaniu, zdefiniujesz warstwę wejściową, warstwy gęste oraz warstwę wyjściową. Wyświetlisz również prognozy niewyuczonego modelu – czyli prawdopodobieństwa przypisane do poszczególnych klas. Tensor cech został wczytany i jest dostępny jako borrower_features. Dostępne są też operacje constant(), float32 oraz keras.layers.Dense().
To ćwiczenie jest częścią kursu
Wprowadzenie do TensorFlow w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj warstwę wejściową jako 32-bitowy stały tensor, używając
borrower_features. - Ustaw pierwszą warstwę gęstą tak, aby miała 10 węzłów wyjściowych i funkcję aktywacji
sigmoid. - Ustaw drugą warstwę gęstą tak, aby miała 8 węzłów wyjściowych i funkcję aktywacji ReLU (prostoliniową jednostkę aktywacji).
- Ustaw warstwę wyjściową tak, aby miała 6 węzłów wyjściowych i odpowiednią funkcję aktywacji.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Construct input layer from borrower features
inputs = ____
# Define first dense layer
dense1 = keras.layers.Dense(____, activation='____')(inputs)
# Define second dense layer
dense2 = ____
# Define output layer
outputs = ____
# Print first five predictions
print(outputs.numpy()[:5])