Avaliação de modelos
Dois modelos foram treinados e estão disponíveis: large_model small_model , que tem muitos parâmetros; e , que tem menos parâmetros. Ambos os modelos foram treinados usando train_features e train_labels, que estão disponíveis para você. Um conjunto de testes separado, que consiste em test_features e test_labels, também está disponível.
Seu objetivo é avaliar o desempenho relativo do modelo e também determinar se um dos modelos apresenta sinais de sobreajuste. Você fará isso avaliando large_model e small_model nos conjuntos de treinamento e teste. Para cada modelo, você pode fazer isso aplicando o método .evaluate(x, y) para calcular a perda dos recursos x e dos rótulos y. Em seguida, você comparará as quatro perdas geradas.
Este exercício faz parte do curso
Introdução ao TensorFlow em Python
Instruções do exercício
- Avalie o modelo pequeno usando os dados de treinamento.
- Avalie o modelo pequeno usando os dados de teste.
- Avalie o modelo grande usando os dados de treinamento.
- Avalie o modelo grande usando os dados de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Evaluate the small model using the train data
small_train = small_model.evaluate(____, ____)
# Evaluate the small model using the test data
small_test = ____
# Evaluate the large model using the train data
large_train = large_model.evaluate(____, ____)
# Evaluate the large model using the test data
large_test = ____
# Print losses
print('\n Small - Train: {}, Test: {}'.format(small_train, small_test))
print('Large - Train: {}, Test: {}'.format(large_train, large_test))