Últimos passos em modelos de classificação

Agora você vai criar um modelo de classificação usando o conjunto de dados do Titanic, que já foi carregado em um DataFrame chamado df. Você vai usar informações sobre os passageiros para prever quais sobreviveram.

As variáveis preditoras estão armazenadas em um array do NumPy chamado predictors. O alvo a ser previsto está em df.survived, embora você precise manipulá-lo para usar no Keras. O número de variáveis preditoras está armazenado em n_cols.

Aqui, você vai usar o otimizador 'sgd', que significa Stochastic Gradient Descent. Você vai aprender mais sobre isso no próximo capítulo!

Este exercício faz parte do curso

Introdução a Deep Learning em Python

Ver curso

Instruções do exercício

Converta df.survived em uma variável categórica usando a função to_categorical().
Especifique um modelo Sequential chamado model.
Adicione uma camada Dense com 32 nós. Use 'relu' como activation e (n_cols,) como input_shape.
Adicione a camada de saída Dense. Como há dois desfechos, ela deve ter 2 unidades e, por ser um modelo de classificação, a activation deve ser 'softmax'.
Compile o modelo, usando 'sgd' como optimizer, 'categorical_crossentropy' como função de perda (loss) e metrics=['accuracy'] para ver a acurácia (a fração de previsões corretas) ao final de cada época.
Ajuste o modelo usando predictors e target.

Exercício interativo prático

Experimente este exercício completando 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 o código