Задачи мультиклассовой классификации
В этом упражнении мы выйдем за рамки бинарной классификации и перейдём к мультиклассовым задачам. В мультиклассовой задаче целевая переменная может принимать три и более значений. В наборе данных о кредитных картах переменная education принимает 6 различных значений, каждое из которых соответствует определённому уровню образования. Именно она станет целевой переменной в этом упражнении, а набор признаков расширится с 3 до 10 столбцов.
Как и в предыдущей задаче, вам нужно определить входной слой, плотные слои и выходной слой. Также вы выведете предсказания необученной модели — вероятности, присвоенные каждому классу. Тензор признаков уже загружен и доступен как borrower_features. Операции constant(), float32 и keras.layers.Dense() также доступны.
Это упражнение является частью курса
Введение в TensorFlow на Python
Инструкции к упражнению
- Определите входной слой как 32-битный константный тензор на основе
borrower_features. - Задайте первому плотному слою 10 выходных узлов и функцию активации
sigmoid. - Задайте второму плотному слою 8 выходных узлов и функцию активации «выпрямленный линейный блок» (ReLU).
- Задайте выходному слою 6 выходных узлов и подходящую функцию активации.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Construct input layer from borrower features
inputs = ____
# Define first dense layer
dense1 = keras.layers.Dense(____, activation='____')(inputs)
# Define second dense layer
dense2 = ____
# Define output layer
outputs = ____
# Print first five predictions
print(outputs.numpy()[:5])