ComeçarComece de graça

Treinando com múltiplos rótulos

Uma saída do seu model multilabel pode ser assim: [0.76 , 0.99 , 0.66 ]. Se arredondarmos probabilidades maiores que 0.5, essa observação será classificada como contendo os 3 possíveis rótulos [1,1,1]. Para este problema em particular, isso significaria que regar as 3 parcelas da sua fazenda é a decisão correta, segundo a rede, dadas as medições dos sensores de entrada.

Agora você vai treinar e fazer previsões com o model que acabou de construir. sensors_train, parcels_train, sensors_test e parcels_test já estão carregados para você usar.

Vamos ver como sua máquina inteligente se sai!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Ver curso

Instruções do exercício

  • Treine o modelo por 100 epochs usando validation_split de 0.2.
  • Faça previsões com seu model usando os dados de teste.
  • Arredonde seus preds com np.round().
  • Avalie a acurácia do seu modelo nos dados de teste.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Editar e executar o código