Обучение модели с двумя выходами

Теперь, когда модель с двумя выходами определена, обучите её на турнирных данных. Данные уже разделены на games_tourney_train и games_tourney_test — пока используйте обучающую выборку.

Модель будет использовать предтурнирные посевы, а также предсказания, полученные из модели регулярного сезона, которую вы построили ранее в этом курсе.

Напомним: модель будет предсказывать счёт обеих команд.

Это упражнение является частью курса

Продвинутое глубокое обучение с Keras

Посмотреть курс

Инструкции к упражнению

Обучите модель на наборе данных games_tourney_train, используя 100 эпох и размер батча 16384.
Входные столбцы: 'seed_diff' и 'pred'.
Целевые столбцы: 'score_1' и 'score_2'.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Fit the model
____(games_tourney_train[['____', '____']],
  		  games_tourney_train[['____', '____']],
  		  verbose=True,
  		  ____,
  		  ____)

Редактировать и запускать код

Это упражнение является частью курса

Продвинутое глубокое обучение с Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

В этой главе вы познакомитесь с основами функционального API Keras. Вы построите простую функциональную сеть с помощью функциональных блоков, обучите её на данных и сделаете предсказания.

Exercise 1: Входные и полносвязные слои Keras Exercise 2: Входные слои Exercise 3: Полносвязные слои Exercise 4: Выходные слои Exercise 5: Сборка и компиляция модели Exercise 6: Создание модели Exercise 7: Компиляция модели Exercise 8: Визуализация модели Exercise 9: Обучение и оценка модели Exercise 10: Обучение модели на данных студенческого баскетбольного турнира Exercise 11: Оценка модели на тестовой выборке

В этой главе вы построите сети с двумя входами, которые используют категориальные эмбеддинги для представления данных с высокой кардинальностью, общие слои для создания многократно используемых блоков и слои слияния для объединения нескольких входов в один выход. К концу главы у вас будут базовые строительные блоки для проектирования нейронных сетей со сложными потоками данных.

Exercise 1: Эмбеддинги (векторные представления) категорий Exercise 2: Определение поиска команды Exercise 3: Определение модели команды Exercise 4: Общие слои Exercise 5: Определение двух входных слоёв Exercise 6: Поиск обоих входных данных в одной модели Exercise 7: Слои слияния Exercise 8: Выходной слой на основе общего слоя Exercise 9: Модель с двумя входами и одним выходом Exercise 10: Предсказание с помощью модели Exercise 11: Обучите модель на данных регулярного сезона Exercise 12: Оценка модели на тестовых данных турнира

В этой главе вы расширите модель с 2 входами до 3 и научитесь использовать функции summary и plot в Keras, чтобы анализировать параметры и топологию нейронных сетей. К концу главы вы будете уверенно расширять модели с 2 входами до 3 и более.

Exercise 1: Модели с тремя входами Exercise 2: Создайте входной слой для игры дома и на выезде Exercise 3: Создание и компиляция модели Exercise 4: Обучите модель и оцените её качество Exercise 5: Визуализация и сводка моделей Exercise 6: Сводка модели Exercise 7: Визуализация моделей Exercise 8: Стекирование моделей Exercise 9: Добавление прогнозов модели в данные турнира Exercise 10: Создание входного слоя с несколькими столбцами Exercise 11: Обучите модель Exercise 12: Оценка модели

В этой главе вы построите нейронные сети с несколькими выходами, которые можно применять для решения задач регрессии с несколькими целевыми переменными. Вы также создадите модель, которая одновременно решает задачи регрессии и классификации.

Exercise 1: Модели с двумя выходами Exercise 2: Простая модель с двумя выходами Exercise 3: Обучение модели с двумя выходами

Текущее упражнение

Exercise 4: Изучение модели (I)Exercise 5: Оценка модели Exercise 6: Единая модель для классификации и регрессии Exercise 7: Классификация и регрессия в одной модели Exercise 8: Компиляция и обучение модели Exercise 9: Изучение модели (II)Exercise 10: Оценка на новых данных с двумя метриками Exercise 11: Подведение итогов