Últimas etapas dos modelos de classificação

Agora você criará um modelo de classificação usando o conjunto de dados titanic, que foi pré-carregado em um DataFrame chamado df. Você obterá informações sobre os passageiros e preverá quais deles sobreviveram.

As variáveis preditivas são armazenadas em uma matriz NumPy predictors. O alvo a ser previsto está em df.survived, embora você tenha que manipulá-lo para o Keras. O número de recursos preditivos é armazenado em n_cols.

Aqui, você usará o otimizador 'sgd', que significa Stochastic Gradient Descent (Descida de Gradiente Estocástico). Você saberá mais sobre isso no próximo capítulo!

Este exercício faz parte do curso

Introdução à aprendizagem profunda em Python

Ver Curso

Instruções de exercício

Converta df.survived em uma variável categórica usando a função to_categorical().
Especifique um modelo Sequential chamado model.
Adicione uma camada Dense com nós 32. Use 'relu' como activation e (n_cols,) como input_shape.
Adicione a camada de saída Dense. Como há dois resultados, ele deve ter 2 unidades e, como se trata de um modelo de classificação, o activation deve ser 'softmax'.
Compile o modelo, usando 'sgd' como optimizer, 'categorical_crossentropy' como função de perda e metrics=['accuracy'] para ver a precisão (qual fração das previsões estava correta) no final de cada época.
Ajuste o modelo usando o predictors e o target.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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
____

Editar e executar código