Avaliando a acurácia do modelo no conjunto de validação

Agora é a sua vez de monitorar a acurácia do modelo com um conjunto de validação. Uma definição de modelo foi fornecida como model. Sua tarefa é adicionar o código para compilá-lo e depois ajustá-lo. Você vai verificar a pontuação de validação em cada época.

Este exercício faz parte do curso

Introdução a Deep Learning em Python

Ver curso

Instruções do exercício

Compile seu modelo usando 'adam' como optimizer e 'categorical_crossentropy' para o loss. Para ver qual fração das previsões está correta (a accuracy) em cada época, especifique o argumento nomeado adicional metrics=['accuracy'] em model.compile().
Ajuste o modelo usando predictors e target. Crie um split de validação de 30% (ou 0.3). Isso será reportado em cada época.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Fit the model
hist = ____

Editar e executar o código