Construa e treine uma rede neural simples
O próximo modelo que vamos aprender a usar é uma rede neural. Redes neurais conseguem capturar interações complexas entre variáveis, mas podem ser difíceis de configurar e entender. Recentemente, elas têm superado especialistas humanos em muitas áreas, incluindo reconhecimento de imagens e jogos (confira o AlphaGo) — então têm grande potencial para apresentar bom desempenho.
Para construir nossas redes, vamos usar a biblioteca keras. Esta é uma API de alto nível que permite criar redes neurais rapidamente, mantendo bastante controle sobre o design. A primeira coisa que faremos é criar quase a rede mais simples possível — uma rede de 3 camadas que recebe nossas entradas e prevê um único valor. Assim como os modelos do sklearn, os modelos do keras têm um método .fit() que recebe os argumentos (features, targets).
Este exercicio faz parte do curso
Machine Learning para Finanças em Python
Instruções do exercicio
- Crie uma camada densa com 20 nós e ativação ReLU (
'relu') como a 2ª camada da rede neural. - Crie a última camada densa com 1 nó e ativação linear (
activation='linear'). - Treine o modelo com
scaled_train_featuresetrain_targets.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
from keras.models import Sequential
from keras.layers import Dense
# Create the model
model_1 = Sequential()
model_1.add(Dense(100, input_dim=scaled_train_features.shape[1], activation='relu'))
model_1.add(Dense(____, activation=____))
model_1.add(Dense(____, activation=____))
# Fit the model
model_1.compile(optimizer='adam', loss='mse')
history = model_1.fit(____, ____, epochs=25)