Оценка модели на тестовой выборке

После обучения модели её можно оценить на новых данных. Вы передадите модели новую матрицу X (тестовые данные), позволите ей сделать предсказания, а затем сравните результат с известными значениями переменной y (целевые данные).

В данном случае для оценки модели используются данные постсезонного турнира. Турнирные игры проходят после регулярного сезона, на котором обучалась модель, — поэтому они хорошо подходят для проверки качества модели на новых данных.

Датафрейм games_tourney_test и обученный объект model уже доступны в вашем рабочем пространстве.

Это упражнение является частью курса

Продвинутое глубокое обучение с Keras

Посмотреть курс

Инструкции к упражнению

Присвойте переменной X_test тестовые данные (столбец seed_diff).
Присвойте переменной y_test целевые данные (столбец score_diff).
Оцените модель на данных X_test и y_test.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Load the X variable from the test data
X_test = ____

# Load the y variable from the test data
y_test = ____

# Evaluate the model on the test data
print(model.____(____, ____, verbose=False))

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

Текущее упражнение

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 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