ComeçarComece de graça

Avaliando modelos

Dois modelos foram treinados e estão disponíveis: large_model, que tem muitos parâmetros, e small_model, que tem menos parâmetros. Ambos foram treinados usando train_features e train_labels, que estão disponíveis para você. Um conjunto de teste separado, que consiste em test_features e test_labels, também está disponível.

Seu objetivo é avaliar o desempenho relativo dos modelos e também verificar se algum deles apresenta sinais de overfitting. Você fará isso avaliando large_model e small_model tanto no conjunto de treino quanto no de teste. Para cada modelo, você pode fazer isso aplicando o método .evaluate(x, y) para calcular a loss para as features x e os labels y. Em seguida, você vai comparar as quatro losses geradas.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Avalie o modelo pequeno usando os dados de treino.
  • Avalie o modelo pequeno usando os dados de teste.
  • Avalie o modelo grande usando os dados de treino.
  • 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))
Editar e executar o código